Proofread Content
1,2Departemen Ilmu Komputer, Universitas Teknologi Sains
Email: erza.ai@university.edu
AbstrakPenyakit pada daun tanaman padi sering kali mengakibatkan penurunan hasil panen yang signifikan bagi petani lokal. Penelitian ini mengusulkan implementasi arsitektur Convolutional Neural Network (CNN) berbasis ResNet-50 untuk mendeteksi tiga jenis penyakit daun padi yang paling umum di Indonesia: Blast, Bacterial Leaf Blight, dan Brown Spot. Menggunakan dataset sebesar 4.500 citra daun, model kami dilatih dengan teknik transfer learning. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai akurasi klasifikasi sebesar 98,2% pada data pengujian. Hasil ini menunjukkan potensi besar untuk diintegrasikan ke dalam aplikasi seluler guna membantu petani melakukan diagnosis dini di lapangan.
Kata Kunci: Deep Learning, Convolutional Neural Network, Penyakit Padi, Transfer Learning, Ketahanan Pangan.
1. PendahuluanPadi (Oryza sativa) merupakan komoditas pangan utama bagi lebih dari setengah populasi dunia, khususnya di Asia Tenggara. Namun, produktivitas padi sering terganggu oleh serangan hama dan penyakit patogen. Identifikasi manual oleh ahli agronomi membutuhkan waktu dan biaya yang besar. Oleh karena itu, diperlukan sistem otomatis berbasis visi komputer untuk mendeteksi penyakit tanaman sejak fase awal.
Dengan perkembangan Deep Learning, metode Convolutional Neural Network (CNN) telah terbukti sangat efektif dalam tugas klasifikasi citra medis dan pertanian. Penelitian ini bertujuan untuk menguji keandalan arsitektur ResNet-50 yang dimodifikasi untuk mendeteksi penyakit daun padi di bawah kondisi pencahayaan yang bervariasi.
2. MetodologiMetode yang diajukan terdiri dari empat tahap utama: pengumpulan data, pra-pemrosesan citra, pelatihan model, dan evaluasi. Alur kerja ini dirancang untuk memastikan generalisasi model yang tinggi pada data dunia nyata.
2.1 Pengumpulan dan Pra-pemrosesan DataDataset yang digunakan terdiri dari 4.500 citra daun padi yang dikategorikan ke dalam empat kelas (tiga kelas penyakit dan satu kelas sehat). Sebelum proses pelatihan, seluruh citra diubah ukurannya menjadi 224×224 piksel dan dilakukan augmentasi data berupa rotasi, pemotongan acak, dan penyesuaian kontras untuk mencegah overfitting.
2.2 Arsitektur ModelKami menerapkan transfer learning menggunakan arsitektur ResNet-50 yang telah dilatih sebelumnya pada dataset ImageNet. Lapisan klasifikasi akhir diganti dengan lapisan fully connected baru yang disesuaikan dengan jumlah kelas target (4 kelas), diikuti oleh fungsi aktivasi Softmax.
3. Hasil dan PembahasanModel dilatih selama 50 epoch dengan batch size sebesar 32 dan optimizer Adam. Tingkat pembelajaran awal diatur sebesar 0,0001 dengan peluruhan adaptif.
Arsitektur Model
Akurasi (%)
Presisi (%)
Recall (%)
F1-Score (%)
ResNet-50 (Diusulkan)
98.2
98.0
98.3
98.1
VGG-16
94.5
94.1
94.6
94.3
MobileNetV2
92.1
91.8
92.3
92.0
Tabel di atas menunjukkan perbandingan performa antara model ResNet-50 yang diusulkan dengan arsitektur standar lainnya. Model ResNet-50 secara konsisten mengungguli arsitektur lainnya karena kemampuan koneksi residualnya yang mencegah hilangnya gradien pada jaringan yang dalam.
4. KesimpulanDalam penelitian ini, kami berhasil mengimplementasikan model CNN berbasis ResNet-50 untuk deteksi penyakit daun padi dengan akurasi tinggi sebesar 98,2%. Sistem ini diharapkan dapat dikembangkan lebih lanjut menjadi aplikasi praktis berbasis IoT untuk mendukung ketahanan pangan nasional secara berkelanjutan.
Daftar Pustaka[1] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
[2] Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70-90.
[3] Barbedo, J. G. A. (2018). Factors influencing the use of deep learning for plant disease recognition. Biosystems Engineering, 172, 84-91.
