Identifikasi Jenis Penyakit Pada Daun Tomat Menggunakan Metode Convolutional Neural Networks (CNN)

Abstract

Tanaman tomat (Lycopersicum esculentum Mill) merupakan salah satu tanaman hortikultura yang memiliki nilai ekonomi tinggi dan dapat ditanam di berbagai ketinggian serta sepanjang musim. Namun, tanaman ini rentan terhadap berbagai penyakit yang dapat mengurangi kualitas dan kuantitas produksi hingga 40%. Penggunaan pestisida yang berlebihan sebagai solusi pengendalian penyakit telah menimbulkan efek negatif terhadap lingkungan dan kesehatan manusia. Penelitian ini bertujuan untuk mengembangkan sistem identifikasi penyakit pada daun tomat menggunakan metode Convolutional Neural Network (CNN) yang diharapkan dapat membantu petani dalam mendeteksi penyakit secara lebih efektif dan efisien. Penelitian ini menggunakan dua model CNN yaitu ResNet-50 V2 dan EfficientNet B0 untuk mengklasifikasikan enam kategori penyakit daun tomat yaitu Early Blight, Late Blight, Septoria Leaf Spot, Tomato Mosaic Virus, Tomato Yellow Leaf Curl, dan Healthy. Data dilatih dan diuji dengan berbagai rasio pembagian (60:40, 70:30, dan 80:20) untuk mengevaluasi pengaruh pembagian data terhadap performa model. Selain itu, dua jenis optimizer Adam dan RMSprop digunakan untuk membandingkan akurasi dan kecepatan konvergensi model. Hasil penelitian menunjukkan bahwa model EfficientNet B0 dengan optimizer Adam memberikan akurasi tertinggi dengan nilai presisi, recall, dan F1-score masing-masing sebesar 97%. Model ResNet-50 V2 juga menunjukkan performa yang baik dengan nilai presisi, recall, dan F1-score masing-masing sebesar 95%. Sistem ini mampu mendeteksi penyakit daun tomat dengan akurasi tinggi dalam waktu rata-rata 1 jam, yang lebih cepat dibandingkan dengan analisis manual. Dengan demikian, sistem berbasis CNN yang dikembangkan dalam penelitian ini dapat menjadi solusi efektif untuk identifikasi penyakit daun tomat, mengurangi ketergantungan pada pestisida, dan meningkatkan produktivitas pertanian.