Penerapan Model Convolutional Neural Network (Cnn) Untuk Klasifikasi Penyakit Daun Pada Tanaman Singkong (Manihot Esculenta Crantz)

Gilang Surya Surya; Sufiatul Maryana; Siska Andriani

doi:10.33365/jimasia.v6i1.1505

Gilang Surya Surya Universitas Pakuan
Sufiatul Maryana Universitas Pakuan
Siska Andriani Universitas Pakuan

DOI: https://doi.org/10.33365/jimasia.v6i1.1505

Keywords: Penyakit daun singkong, CNN, ResNet152V2, Klasifikasi citra, Deep Learning, Streamlit.

Abstract

Penyakit daun singkong merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas tanaman singkong apabila tidak dideteksi sejak dini. Proses identifikasi penyakit secara manual masih memiliki keterbatasan karena bergantung pada pengamatan manusia yang memerlukan waktu dan ketelitian tinggi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun singkong secara otomatis menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet152V2. Dataset yang digunakan diperoleh dari Kaggle dengan total 21.397 citra daun singkong yang terbagi ke dalam lima kelas, yaitu Cassava Bacterial Blight, Brown Streak Disease, Green Mottle, Mosaic Disease, dan Healthy. Tahapan penelitian meliputi persiapan data, exploratory data analysis, prapemrosesan citra dengan ukuran 32×32 piksel, penggunaan batch size 64, serta penerapan random oversampling untuk mengatasi ketidakseimbangan data. Data kemudian dibagi menjadi data latih dan data uji dengan rasio 80:20. Hasil pengujian menunjukkan bahwa model CNN ResNet152V2 mampu mencapai akurasi sebesar 97,2%. Meskipun masih terdapat beberapa kesalahan klasifikasi akibat kemiripan visual antar kelas penyakit yang terlihat pada confusion matrix, model secara keseluruhan menunjukkan performa yang sangat baik. Model yang telah dilatih selanjutnya diimplementasikan ke dalam aplikasi web berbasis Streamlit sehingga dapat digunakan sebagai alat bantu deteksi dini penyakit daun singkong. Penelitian ini diharapkan dapat membantu petani dan masyarakat dalam mencegah penyebaran penyakit serta meningkatkan produktivitas hasil panen singkong.

References

Andreanov Ridhovan, A. S. (2022). Penerapan Metode Residual Network (Resnet) Dalam Klasifikasi Penyakit Pada Daun Gandum. 07, 58–65.

Annisa Mustika Anggraeni, Teguh Iman Hermanto, I. M. N. (2025). Klasifikasi Penyakit Daun Singkong Menggunakan Convolutional Neural Network (CNN) Dengan Arsitektur VGG16 Berbasis Android. 11(1), 53–59.

Arafat, F. A., Ichsan, M. N., & Pramoedya, M. F. (2025). Pemanfaatan Arsitektur MOBILENET-CNN Untuk Mendiagnosis Penyakit Pada Daun Singkong Melalui Teknologi Citra Digital. Prosiding Seminar Nasional Teknologi Dan Sains, 4, 73–78.

Bawana, E. R., Seniwati, E., & Kristami, P. F. (2025). Studi Kinerja Algoritma K-Nearest Neighbors ( KNN ) untuk Klasifikasi Pasien Diabetes. 4(2), 169–176.

Desvita Fitri Amalia. (2024). Deteksi Penyakit Pada Daun Singkong Dengan Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN). 1, 1–8.

Faturrachman, M., Yustiana, I., & . S. (2022). Sistem Pendeteksi Penyakit Pada Daun Tanaman Singkong Menggunakan Deep Learning Dan Tensorflow Berbasis Android. IJIS - Indonesian Journal On Information System, 7(2), 176. https://doi.org/10.36549/ijis.v7i2.225

I Komang Tri Aditya Pariyana , Anak Agung Ngurah Mahendra Adhi Putra, I Gusti Gede Sumartana, J. D. P. (2024). Identifikasi Penyakit Buah Kakao Jembrana Menggunakan Metode Resnet152v2. 05(1), 12–20.

Jasmir, J. (2020). Implementasi Teknik Data Cleaning Dan Teknik Roughset Pada Data Tidak Lengkap Dalam Data Mining. Seminar Nasional APTIKOM (SEMNASTIKOM), 99–106.

Liu, M., Liang, H., & Hou, M. (2022). Research on cassava disease classi fi cation using the multi-scale fusion model based on Ef fi cientNet and attention mechanism. December, 1–11. https://doi.org/10.3389/fpls.2022.1088531

Marpaung, F., Aulia, F., & Nabila, R. C. (2022). Computer Vision Dan Pengolahan Citra Digital. www.pustakaaksara.co.id

No, V., Hal, J., Doddy, M., Pranatha, A., Maricar, M. A., & Setiawan, G. H. (2024). Implementasi Arsitektural Resnet-34 Dalam Klasifikasi Gambar Penyakit Pada Daun Kentang. 6(3), 575–580.

Prasetya, J. (2022). Penerapan Klasifikasi Naive Bayes dengan Algoritma Random Oversampling dan Random Undersampling pada Data Tidak Seimbang Cervical Cancer Risk Factors. Leibniz: Jurnal Matematika, 2(2), 11–22. https://doi.org/10.59632/leibniz.v2i2.173

Rahmawati, W. M., Edelani, R., Studi, P., Informatika, T., Elektronika, P., & Surabaya, N. (2018). Deteksi PCOS pada Wanita Menggunakan Explanatory Data Analysis ( EDA ) dan Support Vector Machine ( SVM ). 165–172.

Ramadhan, A. I., Hardinata, J. T., & Purba, Y. P. (2021). Analisa Jaringan Saraf Tiruan Backpropagation Untuk Memprediksi Prestasi Siswa SMA Muhammadiyah Serbelawan. Brahmana : Jurnal Penerapan Kecerdasan Buatan, 3(1), 18–26. https://doi.org/10.30645/brahmana.v3i1.88

Septhya, D., Rahayu, K., Rabbani, S., & Fitria, V. (2023). Implementation of Decision Tree Algorithm and Support Vector Machine for Lung Cancer Classification Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru. 3(April), 15–19.