Pengembangan Aplikasi MR-PoloD dengan Peningkatan Akurasi Sebesar 95% Dan Penambahan Variasi Daun Untuk Deteksi Penyakit Berbasis Machine Learning

Abstract

Aplikasi MR-PoloD dikembangkan untuk mendeteksi penyakit daun kentang (Solanum tuberosum L.) secara cepat dan akurat berbasis machine learning. Perancangan ini bertujuan untuk mengembangkan model Convolutional Neural Network (CNN) untuk klasifikasi empat kondisi daun kentang (Healty, Early Blight, Late Blight, dan Pest), yang dapat mengintegrasikan model ke aplikasi Androin menggunakan TensorFlow Lite, dan memastikan setiap kelas memiliki nilai precision, recall, dan F1- Score minimal 0,85. Dataset yang digunakan berjumlah 3.165, dibagi menjadi 70% data latih, 15% data validasi, dan 15% data uji. Seluruh kelas di-resize menjadi 256x256 piksel dan dilakukan augmentasi untuk meningkatkan variasi data. Model CNN dilatih dengan batch size 32 selama 50 epoch. Hasil pengujian menunjukkan akurasi keseluruhan sebesar 95%, rata-rata precision 0,94, recall 0,94, dan F1-Score 0,94. Evaluasi per kelas menunjukkan performa yang seimbang, dengan nilai terendah pada kelas Pest (F1-Score0,87) dan tertinggi pada kelas Late Blight (F1-Score 0,97). Aplikasi androin yang dikembangkan mampu melakukan klasifikasi secara offline dengan waktu respon cepat dan akurasi sesuai hasil pelatihan. Dengan demikian, tujuan perancangan telah tercapai dan aplikasi MR-PoloD layak digunakan sebagai alat bantu deteksi penyakit daun kentang di lapangan.