Klasifikasi Penyakit Daun Singkong Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur VGG16 Berbasis Android
Kata Kunci:
Convolutional Neural Network, Daun Singkong, Deteksi Penyakit, Klasifikasi Citra, VGG16Abstrak
Tanaman singkong berperan penting sebagai sumber pangan nasional. Namun, produktivitasnya menurun dalam beberapa tahun terakhir akibat penyakit daun. Identifikasi penyakit secara manual sering tidak akurat dan lambat. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis citra digital untuk mendeteksi penyakit daun singkong secara cepat dan akurat. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur VGG16. Sistem dikembangkan mengikuti pendekatan CRISP-DM dan menggunakan tools seperti Python, Keras, TensorFlow, dan TensorFlow Lite untuk integrasi ke Android. Model dilatih untuk mengenali lima kondisi daun: brown spots, bacterial blight, green mite, mosaic, dan healthy. Pengujian selama 50 epoch menunjukkan akurasi sebesar 96%, dengan precision, recall, dan F1-score pada kisaran 0,93–0,98. Pendekatan ini lebih baik dibandingkan penelitian oleh Setyanto dan Ariatmanto yang hanya mencapai akurasi 72,84%. Sistem ini membantu petani melakukan diagnosis dini melalui pengambilan atau unggah foto daun, sehingga pengendalian penyakit dapat dilakukan secara lebih efektif.
Unduhan
Referensi
A. Fahrezantara, S. Rizal, N. Kumalasari, and C. Pratiwi, “Pemanfaatan Convolutional Neural Network Dalam Klasifikasi Penyakit Tanaman Singkong Menggunakan Arsitektur Densenet Use Of Convolutional Neural Networks On Classifying Cassava Diseases With Densenet Architecture,” 2022.
Pusat Data dan Sistem Informasi Pertanian, “Buku Statistik Penunjang Data Ekonomi Pertanian, 2023 Pusat Data dan Sistem Informasi Pertanian,” 2023.
H. R. Ayu, A. Surtono, and D. K. Apriyanto, “Deep learning for detection cassava leaf disease,” in Journal of Physics: Conference Series, IOP Publishing Ltd, Jan. 2021. doi: 10.1088/1742-6596/1751/1/012072.
J. Tandean, R. Indrawan, I. Intan, and S. Arifin Ramadhani, “Pengaruh Penerapan Stochastic Gradient Descent Dan Adam Optimizer Pada Hyperparameter Tuning Untuk Klasifikasi Penyakit Tanaman Ubi Kayu,” 2023.
A. Tsany and R. Dzaky, “Deteksi Penyakit Tanaman Cabai Menggunakan Metode Convolutional Neural Network,” 2021.
N. B. Pamungkas and A. Suhendar, “Penerapan Metode Convolutional Neural Network pada Sistem Klasifikasi Penyakit Tanaman Apel berdasarkan Citra Daun,” Edumatic: Jurnal Pendidikan Informatika, vol. 8, no. 2, pp. 675–684, Dec. 2024, doi: 10.29408/edumatic.v8i2.27958.
T. Anton, A. Setyanto, and D. Ariatmanto, “Penerapan Transfer Learning dengan Inception-V3 Dan Efficientnet-B4 Pada Studi Kasus Klasifikasi Penyakit Pada Daun Singkong,” 2024. [Online]. Available: https://www.kaggle.com/datasets/gauravduttakiit/cassava-leaf-disease-classification.
R. Maulana, R. D. Z. Putri, T. A. Amelia, H. Syahputra, and F. Ramadhani, “Identifikasi Jenis Rempah-Rempah Indonesia dengan Convolutional Neural Network (CNN) menggunakan Arsitektur VGG16,” JATI, vol. 8, no. 4, pp. 6034-6039, 2024.
M. A. Hasan, Y. Riyanto, and D. Riana, “Klasifikasi Penyakit Citra Daun Anggur Menggunakan Model CNN-VGG16,” Jurnal Teknologi dan Sistem Komputer, vol. 9, no. 4, pp. 218–223, Oct. 2021, doi: 10.14710/jtsiskom.2021.14013.
F. A. Arafat, M. N. Ichsan, and M. F. Pramoedya, “Pemanfaatan Arsitektur MOBILENET-CNN Untuk Mendiagnosis Penyakit Pada Daun Singkong Melalui Teknologi Citra Digital,” Stains, vol. 4, no. 1, pp. 73–78, 2025.
G. A. Pratama, E. Y. Puspaningrum, and H. Maulana, “Convolutional Neural Network dan faster region Convolutional Neural Network untuk klasifikasi kualitas biji kopi arabika,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: 10.23960/jitet.v12i3.4887.
M. D. Pratama, R. Gustriansyah, and E. Purnamasari, “Klasifikasi Penyakit Daun Pisang Menggunakan Convolutional Neural Network (CNN),” 2024.
E. L. I. P. Sari, “Revitalizing Strawberry Leaves: Developing a Tipburn and Leaf Spot Disease Detection System Through Convolution Analysis Using CNN Method,” JIMPS: Jurnal Ilmiah Mahasiswa Pendidikan Sejarah, vol. 8, no. 3, pp. 1468–1474, 2023, doi: 10.24815/jimps.v8i3.25210.
I. N. Husna, M. Ulum, A. K. Saputro, Haryanto, D. T. Laksono, and D. N. Purnamasari, “Rancang Bangun Sistem Deteksi dan Perhitungan Jumlah Orang Menggunakan Metode Convolutional Neural Network (CNN),” Seminar Nasional Fortei Regional, vol. 5, 2022.
A. Z. Noorizki and W. I. Kusumawati, “Perbandingan Performa Algoritma VGG16 Dan VGG19 Melalui Metode CNN Untuk Klasifikasi Varietas Beras,” Journal of Computer, Electronic, and Telecommunication, vol. 4, no. 2, Dec. 2023, doi: 10.52435/complete.v4i2.387.
Y. Yudiana, A. Y. Agustina, and dan N. Khofifah, “Prediksi Customer Churn Menggunakan Metode CRISP-DM Pada Industri Telekomunikasi Sebagai Implementasi Mempertahankan Pelanggan,” 2023. [Online]. Available: http://e-journal.lp2m.uinjambi.ac.id/ojp/index.php/ijoieb
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Annisa Mustika Anggraeni, Teguh Iman Hermanto, Imam Maruf Nugroho

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.