Perancangan Sistem Prediksi Penyakit Padi Berbasis Citra Digital Berbasis Deep Learning
DOI:
https://doi.org/10.31004/riggs.v5i2.9173Keywords:
Citra Digital, Deep Learning, Efficientnet-B7, Kecerdasan Buatan, Prediksi Penyakit PadiAbstract
Penyakit tanaman padi merupakan salah satu faktor utama yang memengaruhi produktivitas hasil pertanian dan kualitas panen. Proses identifikasi penyakit yang masih dilakukan secara manual sering kali membutuhkan waktu cukup lama serta bergantung pada kemampuan pengamatan petani maupun tenaga ahli pertanian. Kondisi tersebut menyebabkan penanganan penyakit tanaman sering terlambat sehingga berpotensi meningkatkan risiko penyebaran penyakit pada tanaman padi. Perkembangan teknologi kecerdasan buatan dan pengolahan citra digital memberikan peluang dalam pengembangan sistem identifikasi penyakit tanaman secara otomatis dan lebih efisien. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem prediksi penyakit padi berbasis citra digital menggunakan pendekatan deep learning dengan model EfficientNet-B7. Sistem yang dikembangkan dirancang untuk membantu proses identifikasi awal penyakit tanaman padi melalui analisis citra daun yang terindikasi penyakit. Tahapan penelitian meliputi pengumpulan dataset citra penyakit tanaman padi, preprocessing data citra, perancangan sistem, serta implementasi model EfficientNet-B7 pada proses klasifikasi citra digital. Pemilihan EfficientNet-B7 didasarkan pada kemampuannya dalam melakukan ekstraksi fitur citra secara mendalam dengan efisiensi parameter yang optimal. Selain itu, sistem yang dikembangkan diharapkan dapat menjadi solusi pendukung bagi petani dalam melakukan deteksi awal penyakit tanaman secara lebih praktis melalui pemanfaatan teknologi digital modern. Penelitian ini difokuskan pada tahap perancangan arsitektur sistem, integrasi model deep learning ke aplikasi mobile berbasis Android, serta implementasi awal sistem sebagai fondasi pengembangan evaluasi model pada penelitian lanjutan. Penelitian ini diharapkan mampu menghasilkan sistem prediksi penyakit tanaman padi yang mendukung proses identifikasi penyakit secara otomatis, cepat, dan efisien dalam mendukung transformasi digital pada sektor pertanian modern berbasis kecerdasan buatan.
Downloads
References
E. Rikardus, “Penguatan Kebijakan Ketahanan Pangan: Sinergi Multi-Pemangku Kepentingan dalam Peningkatan Produksi Padi,” J. Ilmu Sos. Dan Hum., vol. 1, no. 2, pp. 302–315, 2025.
A. P. Putra, R. Fithratullah, and T. M. P. Lio, “Optimalisasi Diversifikasi Pangan Lokal untuk Kedaulatan Pangan di Sulawesi Tenggara: Analisis Potensi Jagung, Sagu, dan Sorgum sebagai Alternatif Karbohidrat Non-Beras,” in Prosiding PITNAS Widyaiswara, 2025, pp. 322–334.
N. Puspitaningrum and M. Rahardi, “Analysis of Deep Learning Implementation Using Xception for Rice Leaf Disease Classification,” J. Appl. Informatics Comput., vol. 10, no. 1, pp. 809–817, 2026.
P. Novantara, R. L. Firmansyah, and M. Arismawati, “Deteksi Hama Penyakit Daun Padi Dengan Menggunakan Teknik Optimasi Deep Learning Convolutional Neural Network,” bit-Tech, vol. 7, no. 3, pp. 975–983, 2025.
M. Chairuddin, “Pendampingan Aplikasi Fungisida Heksakonazole: Upaya Penanganan Penyakit Patah Leher Tanaman Padi pada Kelompok Tani Tunggulrejo Bangkit di Desa Tunggulrejo Singgahan Tuban,” J. Innov. Contrib. to Community Serv., vol. 1, no. 2, pp. 113–127, 2025.
M. Rizal, V. J. Saputra, D. I. Maulana, F. Budiman, and E. Sugiarto, “Deteksi awal penyakit tanaman berbasis citra daun: studi perbandingan algoritme SVM dan CNN,” Integr. Res. Comput. Sci., vol. 1, no. 01, pp. 61–76, 2025.
T. R. Siagian, I. Taufik, Z. Indra, and S. Susiana, “Klasifikasi Penyakit dan Hama Pada Daun Mangga Menggunakan Metode Convolutional Neural Network,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 6, pp. 10370–10376, 2025.
M. Yusuf, D. Kurniawan, and T. Agustin, “Klasifikasi Penyakit Tanaman Jagung dengan Kecerdasan Buatan Berbasis CNN,” in Prosiding Seminar Nasional Amikom Surakarta, Dec. 2024, pp. 355–368.
N. Kasim, M. B. Fadilah, W. Al Hidayat, and R. A. Saputra, “Klasifikasi Jenis Tanaman Herbal Berdasarkan Citra Menggunakan Metode Convolution Neural Network (CNN),” J. Tekno Kompak, vol. 19, no. 1, pp. 64–78, 2024.
W. M. Ardana and K. Kusrini, “Optimasi Algoritma Convolutional Neural Network dengan Arsitektur Efficientnet-B0 dan Resnet-50 untuk Klasifikasi Jenis Sampah: Optimization of Convolutional Neural Network Algorithm with Efficientnet-B0 and Resnet-50 Architecture for Waste Type Classification,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 4, pp. 1274–1286, 2025.
S. Maheswari and D. Gunawan, “Deteksi dini kanker kulit menggunakan CNN, DNN, dan EfficientNet: Pendekatan deep learning berbasis web,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 10, no. 2, pp. 932–944, 2025.
Y. Budiawati, G. Gunawan, and S. Suherna, “Smart Agriculture vs Pertanian Konvensional: Tantangan atau Peluang Pertanian Masa Depan di Indonesia?,” Agri Wiralodra, vol. 17, no. 1, pp. 16–28, 2025.
H. Saputra, I. Stephane, T. Sundara, and A. H. Bahri, “Deteksi penyakit tanaman padi berbasis android melalui pemanfaatan teachable machine,” Indones. J. Comput. Sci., vol. 13, no. 1, pp. 1256–1264, 2024.
Y. F. Rachman, P. Susanti, A. B. R. P. A. Putra, and N. I. Rahmawati, “Sistem informasi deteksi penyakit pada tanaman padi (brown spot, hispa, leaf blast) menggunakan metode Convolutional Neural Network (CNN),” Decod. J. Pendidik. Teknol. Inf., vol. 4, no. 3, pp. 1193–1204, 2024.
N. Nurmaleni and A. Arif, “Optimasi Model Deep Learning EfficientNet Berbasis Citra Digital untuk Deteksi Penyakit Padi,” BETRIK, vol. 16, no. 03, pp. 291–301, 2025.
A. C. Milano, “Klasifikasi Penyakit Daun Padi Menggunakan Model Deep Learning Efficientnet-B6,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 1, pp. 551–559, 2024.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Syahril Ramadhan Salman Noor, Jumadil Nangi, Bambang Pramono, Muhammad Ihsan Sarita, Sutardi, Ryan Rinaldi Hadistio

This work is licensed under a Creative Commons Attribution 4.0 International License.


















