Text
KLASIFIKASI PENYAKIT PADA BATANG TANAMAN JAGUNG MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN)
Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit pada batang tanaman jagung menggunakan algoritma Convolutional Neural Network (CNN) berbasis arsitektur EfficientNet sebagai upaya untuk membantu petani dalam melakukan deteksi dini penyakit secara cepat dan akurat. Alur penelitian dimulai dari tahap pengumpulan dataset “Maize Stalk Diseases Dataset” dari Kaggle, yang terdiri atas 300 citra asli dan ditingkatkan menjadi 1.000 citra melalui proses augmentasi guna memperkaya variasi data. Tahap berikutnya meliputi preprocessing citra, normalisasi, perubahan resolusi, serta pembagian data menjadi set pelatihan, validasi, dan pengujian. Metode penelitian dilakukan dengan melatih model CNN menggunakan tiga skenario learning rate, yaitu 0.01, 0.001, dan 0.0001, untuk memperoleh performa terbaik dalam mengklasifikasikan tiga kelas citra, yaitu busuk batang Gibberella, busuk batang Antraknosa, dan batang sehat. Evaluasi performa model dilakukan menggunakan confusion matrix, classification report, dan grafik akurasi-loss. Hasil penelitian menunjukkan bahwa skenario dengan learning rate 0.0001 menghasilkan performa paling optimal dengan akurasi sebesar 96% tanpa indikasi overfitting, sehingga dipilih sebagai model final. Model tersebut diintegrasikan ke dalam aplikasi berbasis web menggunakan Flask, yang memungkinkan pengguna mengunggah citra batang jagung dan memperoleh hasil klasifikasi secara otomatis. Kesimpulannya, sistem yang dikembangkan terbukti efektif dan dapat menjadi alat bantu praktis dalam mendeteksi penyakit batang jagung, sehingga diharapkan mampu meningkatkan efisiensi identifikasi penyakit di lapangan serta meminimalkan risiko kerugian hasil panen.
No other version available