Article Sidebar

Download
PDF 11-16
Statistic
Read Counter : 215 Download : 116

Downloads

Download data is not yet available.

Main Article Content

Abstract

Penelitian ini mengembangkan model klasifikasi penyakit daun cabai menggunakan metode Convolutional Neural Network (CNN) untuk mendukung deteksi dini dalam sektor pertanian. Dataset terdiri dari 222 citra daun cabai yang terbagi dalam dua kategori, yaitu daun sehat dan daun keriting. Proses data melibatkan augmentasi seperti rotasi, flipping, dan zoom untuk meningkatkan variasi dan kualitas dataset. Model CNN dirancang dengan kombinasi lapisan konvolusi, pooling, dan fully connected, dilatih menggunakan optimizer Adam dengan fungsi loss binary crossentropy. Hasil pelatihan menunjukkan akurasi 91% pada data validasi.Implementasi berbasis Flask memungkinkan prediksi real-time melalui antarmuka web yang mudah digunakan. Evaluasi kinerja dilakukan dengan metrik akurasi, presisi, recall, dan confusion matrix untuk memastikan model dapat membedakan daun sehat dan keriting dengan tingkat kesalahan minimal. Hasil penelitian ini menunjukkan bahwa pendekatan berbasis deep learning dapat menjadi solusi praktis bagi petani dalam mendeteksi penyakit daun cabai, sehingga dapat meningkatkan produktivitas dan efisiensi pengelolaan tanaman. Penelitian ini diharapkan dapat dikembangkan lebih lanjut untuk mencakup dataset yang lebih besar dan integrasi dengan perangkat IoT untuk pemantauan otomatis tanaman

Keywords

Convolutional Neural Network; Image Processing; Disease Classification; Agriculture Technology

Article Details

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

How to Cite
Putra, A. (2025). Klasifikasi Penyakit Daun Cabai Dengan Metode CNN Untuk Deteksi Awal.: Klasifikasi Penyakit Daun Cabai Dengan Metode CNN Untuk Deteksi Awal. Jurnal Profesi Insinyur Universitas Lampung, 6(1). https://doi.org/10.23960/jpi.v6n1.147
Download Citation
Endnote/Zotero/Mendeley (RIS)
BibTeX

References

  1. Amartama, S. N., Hidayah, A. N., Sari, P. K., & Ramadhani, R. A. (2024). Implementasi Convolutional Neural Network (CNN) dalam Pengenalan Pola Penulisan Tangan. Seminar Nasional Teknologi & Sains, 3(1), 133–138. https://doi.org/10.29407/stains.v3i1.4155
  2. Anggraeni, D. S., Widayana, A., Rahayu, P. D., & Rozikin, C. (2022). Metode Algoritma Convolutional Neural Network pada Klasifikasi Penyakit Tanaman Cabai. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi), 7(1), 73. https://doi.org/10.30998/string.v7i1.13304
  3. Ardiansyah, A. S., & Nugroho, A. (2023). Klasifikasi Penyakit Daun Kopi Dengan Arsitektur MobileNetV2. Jurnal Ilmu Komputer Dan Bisnis, 14(1), 66–73. https://doi.org/10.47927/jikb.v14i1.622
  4. Azizah, Q. N. (2023). Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network AlexNet. Sudo Jurnal Teknik Informatika, 2(1), 28–33. https://doi.org/10.56211/sudo.v2i1.227
  5. Bukhari, S. A. (2024). Implementasi Metode Convolutional Neural Network (Cnn) Untuk Diagnosa Penyakit Tanaman Cabai Pada Citra Daun. Jurnal Multidisiplin Saintek, 3(0), 1–11.
  6. Dzaky, A. T. R. (2021). Deteksi Penyakit Tanaman Cabai Menggunakan Metode Convolutional Neural Network. E-Proceeding of Engineering, 8(2), 3039–3055. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/14701/14478
  7. Febriady Marpaung, Nurul Khairina, Rizki Muliono3, Muhathir, S. (2024). Penerapan Arsitektur Mobilenetv2 Pada Klasifikasi Penyakit Daun Teh. INOTEK, 8, 215–225.
  8. Gugus Azhari, M., Ajid Husain, M., & Lutfi, M. (2023). Transfer Learning Convolutional Neural Network Dengan Arsitektur Efficientnet Untuk Identifikasi Penyakit Daun Cabai. JATI (Jurnal Mahasiswa Teknik Informatika), 7(5), 3662–3666. https://doi.org/10.36040/jati.v7i5.7791
  9. Harahap, F. A. A., Sinaga, R. M., Arifin, K., & S, K. (2022). Implementasi Algoritma Convolutional Neural Network Untuk Mendeteksi Penyakit Ginjal Implementation of Convolutional Neural Network for Detecting Kidney Disease. Teknologi Informasi, Komputer Dan Aplikasinya (JTIKA), 4(2), 212–219. http://jtika.if.unram.ac.id/index.php/JTIKA/
  10. Hawari, F. H., Fadillah, F., Alviandi, M. R., & Arifin, T. (2022). Klasifikasi Penyakit Tanaman Padi Menggunakan Algoritma Cnn (Convolutional Neural Network). Jurnal Responsif : Riset Sains Dan Informatika, 4(2), 184–189. https://doi.org/10.51977/jti.v4i2.856
  11. Laksono, F. B. (2024). Deteksi penyakit tanaman dengan convolution neural network: Kombinasi arsitektur VGG16 dan ResNet34 untuk klasifikasi daun. Jurnal Komputer Dan Teknologi Informasi, 2(2), 72–79. https://doi.org/10.26714/jkti.v2i2.13932
  12. Rahayu, S., Wulanningrum, R., & Wahyuniar, L. S. (2023). Identifikasi Penyakit Pada Daun Cabai Rawit (Capsicum Frutescens) Di Desa Krenceng Kecamatan Kepung Kabupaten Kediri. Agustus, 7, 2549–7952.
  13. Tilasefana, R. A., & Putra, R. E. (2023). Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG NET Untuk Pengenalan Cuaca. Journal of Informatics and Computer Science (JINACS), 05(1), 48–57.
  14. Usamah Putra Firdaus*1, Yovi Litanianda2 1, 2Universitas. (2024). Deteksi Penyakit Tanaman Cabai Menggunakan Metode Convolutional Neural Network. E-Proceeding of Engineering, 8(2), 3039–3055. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/14701/14478