Klasifikasi penyakit daun tanaman cabai menggunakan convolutional neural network (CNN)

charladinna arvianne; Otong Saeful; Nur Ramdhan

doi:10.31004/riggs.v4i4.5328

Authors

charladinna arvianne universitas muhadi setiabudi
Otong Saeful Universitas Muhadi setiabudi Brebes
Nur Ramdhan Universitas Muhadi setiabudi Brebes

DOI:

https://doi.org/10.31004/riggs.v4i4.5328

Keywords:

Convolutional Neural Network, Deep Learning, Klasifikasi Citra, Penyakit Daun Cabai, Deteksi Dini

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan salah satu komoditas hortikultura penting di Indonesia yang memiliki nilai ekonomi tinggi. Namun, produktivitas tanaman cabai sering mengalami penurunan akibat serangan penyakit daun seperti Bacterial Spot, Cercospora Leaf Spot, Curl Virus, Nutrition Deficiency, dan White Spot. Proses identifikasi penyakit secara manual masih memiliki keterbatasan karena bergantung pada pengalaman pakar, membutuhkan waktu yang relatif lama, serta berpotensi menimbulkan kesalahan subjektif. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun cabai secara otomatis menggunakan metode Convolutional Neural Network (CNN) berbasis citra digital. Dataset yang digunakan berupa citra daun cabai berformat RGB yang diperoleh dari sumber publik dan terdiri dari enam kelas, yaitu lima kelas penyakit dan satu kelas daun sehat. Tahapan preprocessing meliputi resizing, normalisasi, dan augmentasi data untuk meningkatkan ketahanan model terhadap variasi kondisi lapangan. Arsitektur CNN dirancang menggunakan beberapa lapisan konvolusi dan max pooling yang diikuti oleh fully connected layer dengan fungsi aktivasi softmax. Proses pelatihan model dilakukan menggunakan optimizer Adam dan fungsi loss categorical cross-entropy. Hasil pengujian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi klasifikasi sebesar 95%, dengan nilai precision, recall, dan F1-score yang tinggi pada sebagian besar kelas. Dengan demikian, model ini berpotensi diterapkan pada aplikasi berbasis mobile sebagai sistem deteksi dini penyakit daun cabai guna meningkatkan efisiensi dan produktivitas pertanian.

Downloads

Download data is not yet available.

References

B. N. Naik, S. K. Meher, and S. K. Sahu, “Detection and classification of chilli leaf disease using a squeeze-and-excitation-based CNN model,” Ecological Informatics, vol. 69, p. 101663, 2022, doi: 10.1016/j.ecoinf.2022.101663.

H. Mustafa, A. K. Singh, and R. K. Sharma, “Pepper bell leaf disease detection and classification using optimized convolutional neural network,” Multimedia Tools and Applications, vol. 82, no. 4, pp. 5671–5690, 2023, doi: 10.1007/s11042-022-13492-4.

Y. A. Bezabh, T. Alemu, and B. Tilahun, “CPD-CCNN: Classification of pepper disease using a concatenation of convolutional neural network models,” Scientific Reports, vol. 13, no. 1, pp. 1–14, 2023, doi: 10.1038/s41598-023-42843-2.

M. Dai, Y. Liu, and J. Zhang, “Pepper leaf disease recognition based on enhanced lightweight convolutional neural networks,” Frontiers in Plant Science, vol. 14, p. 1230886, 2023, doi: 10.3389/fpls.2023.1230886.

W. Bao, L. Chen, and X. Huang, “MCCM: Multi-scale feature extraction network for disease classification and recognition of chili leaves,” Frontiers in Plant Science, vol. 15, p. 1132345, 2024.

Z. Cai, H. Wang, and Y. Zhou, “IMNM: Integrated multi-network model for identifying pepper leaf diseases,” Frontiers in Plant Science, vol. 16, p. 1156789, 2025.

H.-I. Kim, J.-H. Park, and S.-Y. Lee, “Diagnosis of anthracnose of chili pepper using convolutional neural networks,” Plant Pathology Journal, vol. 41, no. 1, pp. 100–111, 2025.

J. Too, L. Yujian, S. Njuki, and L. Yingchun, “A comparative study of fine-tuning deep learning models for plant disease identification,” Computers and Electronics in Agriculture, vol. 161, pp. 272–279, 2019.

P. Ferentinos, “Deep learning models for plant disease detection and diagnosis,” Computers and Electronics in Agriculture, vol. 145, pp. 311–318, 2018.

R. Sladojevic et al., “Deep neural networks based recognition of plant diseases by leaf image classification,” Computational Intelligence and Neuroscience, pp. 1–11, 2016.

F. Chollet, “Xception: Deep learning with depthwise separable convolutions,” Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 1251–1258, 2017.

C. Szegedy et al., “Going deeper with convolutions,” Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 1–9, 2015.

K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” ICLR, 2015.

A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Advances in Neural Information Processing Systems, vol. 25, pp. 1097–1105, 2012.