IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT DAUN PISANG MENGGUNAKAN CITRA DIGITAL

Sulton Ibnu Septiyan; Nurlaily  Vendyansyah; Deddy Rudhistiar

doi:10.33365/jtst.v7i1.1155

Sulton Ibnu Septiyan Teknik Informatika S1, Institut Teknologi Nasional Malang
Nurlaily Vendyansyah ITN Malang https://orcid.org/0009-0002-1817-8088
Deddy Rudhistiar ITN Malang https://orcid.org/0009-0000-1583-8445

DOI: https://doi.org/10.33365/jtst.v7i1.1155

Keywords: Convolutional Neural Network, Flask, ResNet50V2, klasifikasi citra digital, penyakit daun pisang

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun pisang berbasis pengolahan citra digital menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50V2. Dataset yang digunakan terdiri dari lima kategori, yaitu Cordana, Black Sigatoka, Yellow Sigatoka, Sehat, dan Non-Banana, yang dikumpulkan dari perkebunan PT Daun Kita Djoyo di Malang. Proses penelitian meliputi pengumpulan dan pelabelan data, pra-pemrosesan citra melalui penyesuaian ukuran menjadi 224×224 piksel, normalisasi, serta augmentasi dengan rotasi, zoom, dan flip. Pelatihan dan validasi model dilakukan menggunakan framework TensorFlow dan Keras pada platform Google Colab, kemudian diimplementasikan ke dalam aplikasi web berbasis Flask. Hasil pengujian menunjukkan bahwa model ResNet50V2 mencapai akurasi pelatihan sebesar 96,08% dan akurasi validasi sebesar 96,01%, dengan nilai loss masing-masing 0,13 dan 0,15. Pengujian terhadap data uji menghasilkan akurasi rata-rata sebesar 95,2% dengan confusion matrix yang menunjukkan tingkat presisi tinggi pada setiap kategori penyakit. Aplikasi web yang dikembangkan memungkinkan pengguna mengunggah citra daun pisang dan memperoleh hasil klasifikasi beserta nilai probabilitas prediksinya secara langsung.

References

[1] Bambang Hariyanto, Irfan Suliansyah, Yusniwati Yusniwati, dan Agus Sutanto, “Studi Karakter Morfologi dan Fisiologi Bibit Pisang Kepok Tanjung Daun Sempit dan Daun Normal dari Kultur Jaringan,” JURNAL TRITON, vol. 16, no. 1, hlm. 82–94, Feb 2025, doi: 10.47687/jt.v16i1.1252.
[2] R. G. E. P. M. Duta Pratama, “KLASIFIKASI PENYAKIT DAUN PISANG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN),” 2024.
[3] R. Andera, M. Mutiara, P. Studi Proteksi Tanaman, F. Pertanian, U. Bengkulu, dan S. I. Karantina Pertanian Kelas Bengkulu Jalan WR Supratman Kandang Limun Bengkulu, “DETEKSI DAN IDENTIFIKASI PENYAKIT TANAMAN PISANG (MUSA ACUMINATA) OLEH CENDAWAN CORDANA MUSAE DENGAN BEBERAPA METODE,” Universitas Negeri Padang, vol. 01, no. 2021, 2021, doi: 10.24036/prosemnasbio/vol1/90.
[4] R. Ferdianysah, S. T. Arfian, R. Arrizal, O. Syah, dan T. Agustin, “KLASIFIKASI PENYAKIT DAUN PISANG BERBASIS CNN MENGGUNAKAN MODEL GLOBALAVARAGEPOOLING2D, AVERAGEPOOLING, DAN FLATTEN,” Nov 2024.
[5] J. Halim dan A. N. Fajar, “Klasifikasi Pisang Berbasis Algoritma VGG16 Melalui Metode CNN Deep Learning,” 2023.
[6] M. S. , A. F. & F. X. A. Abu Zakaria, “Implementasi Convolutional Neural Network Untuk Deteksi Dan Klasifikasi Penyakit Tanaman Hias Berdasarkan Citra Daun,” Des 2024, doi: 10.32509/wacana.v21i2.2000.
[7] N. B. Pamungkas dan A. Suhendar, “Penerapan Metode Convolutional Neural Network pada Sistem Klasifikasi Penyakit Tanaman Apel berdasarkan Citra Daun,” Edumatic: Jurnal Pendidikan Informatika, vol. 8, no. 2, hlm. 675–684, Des 2024, doi: 10.29408/edumatic.v8i2.27958.
[8] S. Maulana, “Deteksi Kesegaran Telur Ayam pada Citra Cangkang Menggunakan Metode Convolutional Neural Network (CNN).”
[9] C. Agusniar dan D. Adelia, “Penerapan Convolutional Neural Network pada Klasifikasi Jenis Ras Kucing Menggunakan ResNet50V2,” 2024.