Deteksi Jenis Penyakit Daun Tanaman Tomat Menggunakan Convolutional Neural Network Berbasis Citra Digital
DOI:
https://doi.org/10.31004/sicedu.v5i3.1376Kata Kunci:
Penyakit Daun Tomat, Citra Digital, Convolutional Neural Network, Klasifikasi Citra, Grad-CAMAbstrak
Identifikasi penyakit daun tomat secara dini diperlukan untuk membantu mengurangi risiko penurunan pertumbuhan dan hasil tanaman. Penelitian ini bertujuan mengembangkan model Convolutional Neural Network (CNN) berbasis citra digital untuk mengklasifikasikan lima kategori daun tomat, yaitu Healthy, Early Blight, Late Blight, Leaf Mold, dan Septoria Leaf Spot. Dataset yang digunakan terdiri atas 5.459 citra yang telah terbagi ke dalam data pelatihan, validasi, dan pengujian dengan proporsi 70%, 15%, dan 15%. Citra berukuran 256 × 256 piksel diproses menjadi 224 × 224 piksel, dikonversi ke format RGB, dan dinormalisasi pada rentang 0-1. Augmentasi diterapkan hanya pada data pelatihan untuk meningkatkan keragaman citra. Model CNN dibangun menggunakan empat blok convolution dan max pooling, diikuti global average pooling, dropout, dan lapisan klasifikasi softmax lima kelas. Pelatihan dilakukan menggunakan optimizer Adam dengan categorical crossentropy dan mekanisme early stopping. Hasil pengujian terhadap 824 citra menunjukkan bahwa 611 citra diklasifikasikan dengan benar dan 213 citra salah diklasifikasikan, sehingga diperoleh akurasi 74,15%, precision 78,31%, recall 74,15%, dan F1-score 74,30%. Recall tertinggi diperoleh kelas Healthy sebesar 100%, sedangkan kelas penyakit berada pada rentang 65,24-73,78%. Analisis confusion matrix menunjukkan bahwa kesalahan terbesar terjadi ketika Early Blight, Leaf Mold, dan Septoria Leaf Spot diprediksi sebagai Healthy. Grad-CAM menunjukkan bahwa model telah memberikan perhatian pada area daun, tetapi pada sebagian citra masih terdapat aktivasi pada tepi daun dan area latar belakang.






