DETEKSI PENYAKIT DAUN PADI MENGGUNAKAN DEEP LEARNING DENGAN ARSITEKTUR CNN

Authors

Ratih Suciani Universitas Dian Nuswantoro
Daru Arya Anugra Universitas Dian Nuswantoro
Edi Faisal Universitas Dian Nuswantoro

DOI:

Abstract

Padi merupakan komoditas pangan utama yang sangat penting bagi ketahanan pangan di Indonesia. Namun, serangan penyakit pada daun padi seperti Tungro, Blast, dan Blight dapat mengancam produktivitas secara signifikan. Identifikasi penyakit secara manual cenderung tidak efisien dan rentan terhadap kesalahan, sehingga diperlukan solusi berbasis teknologi untuk deteksi yang cepat dan akurat. Penelitian ini mengembangkan sistem deteksi penyakit daun padi menggunakan metode deep learning dengan arsitektur Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 4.684 citra daun padi yang telah diklasifikasikan ke dalam tiga kategori penyakit. Proses preprocessing mencakup normalisasi citra, konversi warna, dan penyesuaian dimensi input. Arsitektur CNN yang digunakan mencakup tiga lapisan konvolusi dengan aktivasi ReLU, dua lapisan pooling, satu lapisan dense dengan dropout, dan satu output layer dengan aktivasi softmax untuk klasifikasi multikelas. Hasil evaluasi menunjukkan akurasi hingga 99,57% dengan F1-score, precision, dan recall yang konsisten di atas 95% pada semua kelas. Konvergensi model stabil dan tidak menunjukkan gejala overfitting. Dengan hasil tersebut, sistem ini terbukti efektif dan dapat diandalkan sebagai alat bantu diagnosis penyakit daun padi secara otomatis. Implementasi teknologi ini diharapkan dapat meningkatkan efisiensi deteksi dini penyakit dan membantu petani dalam pengambilan keputusan, sehingga mendukung praktik pertanian presisi yang berkelanjutan di Indonesia.

Kata kunci: deteksi penyakit, daun padi, deep learning, CNN, klasifikasi citra

References

[1] R. Shinta, “Klasifikasi citra penyakit daun tanaman padi menggunakan CNN dengan arsitektur VGG-19,” Klasifikasi Citra Penyakit Daun Tanam. Padi Menggunakan CNN dengan Arsit. VGG-19, vol. 9, no. 01, pp. 37–45, 2023.

[2] Q. N. Azizah, “Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network AlexNet,” Sudo J. Tek. Inform., vol. 2, no. 1, pp. 28–33, 2023.

[3] S. Agustiani, Y. T. Arifin, A. Junaidi, S. K. Wildah, and A. Mustopa, “Klasifikasi Penyakit Daun padi Menggunakan random forest dan color histogram,” J. Komputasi, vol. 10, no. 1, pp. 65–74, 2022.

[4] I. K. Trisiawan, Y. Yuliza, and S. Attamimi, “Penerapan multi-label image classification menggunakan metode convolutional neural network (cnn) untuk sortir botol minuman,” J. Teknol. Elektro, vol. 13, no. 1, pp. 48–54, 2022.

[5] R. Permana, H. Saldu, and D. I. Maulana, “Optimasi Image Classification Pada Jenis Sampah Dengan Data Augmentation Dan Convolutional Neural Network,” J. Sist. Inf. dan Inform., vol. 5, no. 2, pp. 111–120, 2022.

[6] E. Sentosa, D. I. Mulyana, A. F. Cahyana, and N. G. Pramuditasari, “Implementasi Image Classification Pada Batik Motif Bali Dengan Data Augmentation dan Convolutional Neural Network,” J. Pendidik. Tambusai, vol. 6, no. 1, pp. 1451–1463, 2022.

[7] R. M. Diar, R. Y. N. Fu’Adah, and K. Usman, “Klasifikasi Penyakit Paru-Paru Berbasis Pengolahan Citra X Ray Menggunakan Convolutional Neural Network (Classification Of The Lung Diseases Based On X Ray Image Processing Using Convolutional Neural Network),” eProceedings Eng., vol. 9, no. 2, 2022.

[8] S. Yuliany, A. N. Rachman, and others, “Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN),” J. Buana Inform., vol. 13, no. 1, pp. 54–65, 2022.

[9] A. C. Milano, “Klasifikasi Penyakit Daun Padi Menggunakan Model Deep Learning Efficientnet-B6,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 1, 2024, doi: 10.23960/jitet.v12i1.3855.

[10] M. D. Pratama, R. Gustriansyah, and E. Purnamasari, “Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN),” J. Teknol. Terpadu, vol. 10, no. 1, pp. 1–6, 2024, doi: 10.54914/jtt.v10i1.1167.

[11] E. Anggiratih, S. Siswanti, S. K. Octaviani, and A. Sari, “Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 dengan Transfer Learning,” J. Ilm. SINUS, vol. 19, no. 1, p. 75, 2021, doi: 10.30646/sinus.v19i1.526.

[12] M. I. Gojali and E. L. Tjiong, “Pengembangan Aplikasi Deteksi Objek Rokok dan Kegiatan Merokok Menggunakan Algoritma YOLOv3,” KALBISCIENTIA J. Sains Dan Teknol., vol. 10, no. 02, pp. 201–208, 2023.

[13] Z. Bami, A. Behnampour, and H. Doosti, “A New Flexible Train-Test Split Algorithm, an approach for choosing among the Hold-out, K-fold cross-validation, and Hold-out iteration,” arXiv Prepr. arXiv2501.06492, 2025.

[14] A. A. Santosa, R. Y. N. Fu’adah, and S. Rizal, “Deteksi Penyakit pada Tanaman Padi Menggunakan Pengolahan Citra Digital dengan Metode Convolutional Neural Network,” J. Electr. Syst. Control Eng., vol. 6, no. 2, pp. 98–108, 2023.

[15] M. Akbar, A. S. Purnomo, and S. Supatman, “Multi-Scale Convolutional Networks untuk Pengenalan Rambu Lalu Lintas di Indonesia,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 3, pp. 310–315, 2022.

[16] S. Abel, A. M. Pranidana, L. Qasos, M. Ula, and others, “Perbandingan Akurasi Metode Convolutional Neural Network (CNN) dan Sobel untuk Klasifikasi Buah Rambutan melalui Pengolahan Citra,” in Prosiding Seminar Nasional Teknologi dan Teknik Informatika (SENASTIKA), 2024.

[17] J. Jiang et al., “Evaluation of diverse convolutional neural networks and training strategies for wheat leaf disease identification with field-acquired photographs,” Remote Sens., vol. 14, no. 14, p. 3446, 2022.

[18] B. Kim et al., “Deep learning activation layer-based wall quality recognition using Conv2D ResNet exponential transfer learning model,” Mathematics, vol. 10, no. 23, p. 4602, 2022.

[19] K. Park, “Comparative Analysis of CNN Architectures for Eight-Class Facial Expression Recognition: A Performance and Error Pattern Study,” Teh. Vjesn., vol. 32, no. 3, pp. 1095–1106, 2025.

[20] K. S. Gill, A. Sharma, V. Anand, R. Gupta, and P. Deshmukh, “Influence of adam optimizer with sequential convolutional model for detection of tuberculosis,” in 2022 International Conference on Computational Modelling, Simulation and Optimization (ICCMSO), 2022, pp. 340–344.