Website Deteksi Kesehatan Tanaman Cabai Berbasis Citra Daun Menggunakan Deep Learning EfficientNet
Keywords:
citra daun, deep learning, EfficientNet, sistem informasi, tanaman cabaiAbstract
Tanaman cabai (Capsicum annuum L.) merupakan komoditas hortikultura penting di Indonesia yang produktivitasnya sering terganggu akibat serangan hama dan penyakit. Identifikasi penyakit secara konvensional masih dilakukan melalui pengamatan visual oleh penyuluh pertanian, yang memerlukan keterampilan khusus dan berisiko terjadi kesalahan diagnosis. Penelitian ini bertujuan mengembangkan sistem informasi berbasis web yang mengintegrasikan model deep learning EfficientNet-B0 untuk mendeteksi dan mengklasifikasikan kondisi kesehatan tanaman cabai secara otomatis berdasarkan citra daun. Sistem dikembangkan menggunakan metodologi Agile secara iteratif dengan tahapan requirements, design, development, testing, deployment, dan review. Dataset yang digunakan berjumlah 450 citra daun tanaman cabai yang terdiri dari tiga kelas: daun sehat, daun terserang hama, dan daun terinfeksi virus yellow leaf curl, dengan rasio pembagian 80% data latih dan 20% data validasi. Model EfficientNet-B0 dilatih menggunakan pendekatan transfer learning dari bobot pra-latih ImageNet. Hasil pengujian menunjukkan model mencapai akurasi 100% pada data validasi, namun hanya 36% pada 75 citra data uji eksternal, mengindikasikan adanya overfitting. Seluruh fitur utama sistem lulus pengujian blackbox dan diterima dalam User Acceptance Test (UAT) yang melibatkan 8 pengguna dari BRMP. Sistem ini dapat digunakan penyuluh pertanian sebagai alat bantu deteksi dini kondisi kesehatan tanaman cabai secara otomatis dan efisien.
References
T. Gulo and D. Harefa, “Identifikasi Serangga (Insecta) yang Merugikan pada Tanaman Cabai Rawit di Desa Sisarahili Ekholo, Kecamatan Lolowau, Kabupaten Nias Selatan.,” J. Sapta Agrica, vol. 2, no. 1, pp. 50–61, 2023, doi: 10.57094/jsa.v2i1.917.
A. K. Nalendra and M. Mujiono, “Perancangan IoT (Internet of Things) pada Sistem Irigasi Tanaman Cabai,” Gener. J., vol. 4, no. 2, pp. 61–67, 2020.
C. Wati, D. Sulistyowati, and E. Krisnawati, “Efektivitas Pengaplikasian Pupuk Organik Cair terhadap Tingkat Serangan Hama dan Penyakit Tanaman Cabai Keriting (Capsicum annuum L.),” IOCSCIENCE Fruitset Sains J. Pertan. Agroteknologi, vol. 13, no. 1, pp. 11–19, Aug. 2025, doi: 10.35335/fruitset.
F. Mursyid, M. Arfal Albarzah, Irnawati, W. Ceria Juliana, M. Rifki Adiyatma, and F. M. Hamundu, “Aplikasi Deteksi Penyakit Tanaman Cabai Menggunakan Teknologi Machine Learning dan Flask,” J. Pustaka Data Pus. Akses Kaji. Database Anal. Teknol. Dan Arsit. Komput., vol. 5, no. 1, pp. 176–182, Jun. 2025, doi: 10.55382/jurnalpustakadata.v5i1.1026.
W. M. Ardana and Kusrini, “Optimasi Algoritma Convolutional Neural Network dengan Arsitektur Efficientnet-B0 dan Resnet-50 untuk Klasifikasi Jenis Sampah,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 4, 2025, doi: https://doi.org/10.57152/malcom.v5i4.2030.
P. Novantara, R. L. Firmansyah, and M. Arismawati, “Deteksi Hama Penyakit Daun Padi Dengan Menggunakan Teknik Optimasi Deep Learning Convolutional Neural Network,” Bit-Tech, vol. 7, no. 3, pp. 975–983, Apr. 2025, doi: 10.32877/bt.v7i3.2284.
A. Rácz, D. Bajusz, and K. Héberger, “Effect of Dataset Size and Train/Test Split Ratios in QSAR/QSPR Multiclass Classification,” Molecules, vol. 26, no. 4, p. 1111, Feb. 2021, doi: 10.3390/molecules26041111.
