Penerapan Jaringan Syaraf Konvolusional Untuk Deteksi Penyakit Tanaman Kopi Berdasarkan Citra Daun

Yusran Panca Putra; Agus  Susanto; Willi  Novrian

doi:10.55382/jurnalpustakaai.v5i3.1123

Penulis

Yusran Panca Putra Universitas Bengkulu
Agus Susanto Universitas Bengkulu
Willi Novrian Universitas Bengkulu

DOI:

https://doi.org/10.55382/jurnalpustakaai.v5i3.1123

Kata Kunci:

Deteksi penyakit tanaman, Citra daun kopi, Convolutional Neural Network, ResNet-50, Pertanian cerdas

Abstrak

Produktivitas tanaman kopi di Indonesia sangat dipengaruhi oleh serangan penyakit daun yang sering kali tidak terdeteksi secara dini akibat keterbatasan pengetahuan petani dalam mengenali gejala penyakit. Deteksi penyakit secara manual membutuhkan keahlian khusus dan waktu yang tidak efisien, sehingga dibutuhkan pendekatan berbasis teknologi untuk memberikan solusi yang lebih cepat dan akurat. Penelitian ini mengusulkan pemanfaatan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk mendeteksi penyakit tanaman kopi berdasarkan citra daun. Data citra daun diperoleh dari dataset publik Kaggle, yang mencakup total 1664 citra daun kopi dengan klasifikasi sehat maupun terinfeksi penyakit. Proses pelatihan dilakukan pada platform Google Colaboratory menggunakan algoritma optimisasi Adam dan teknik augmentasi untuk meningkatkan kemampuan generalisasi model. Hasil pelatihan menunjukkan bahwa model ResNet-50 mampu mencapai akurasi pelatihan sebesar 96,33% dan akurasi validasi sebesar 95,31% setelah 40 epoch. Evaluasi model terhadap data uji menghasilkan nilai macro average precision sebesar 95,83%, recall 96,05%, dan F1-score 95,58%. Model terbukti efektif dalam mendeteksi berbagai jenis penyakit seperti miner, phoma, dan rust, meskipun masih terdapat kesalahan klasifikasi minor. Penelitian ini menunjukkan potensi besar dari penerapan CNN dalam bidang pertanian cerdas, khususnya dalam deteksi otomatis penyakit tanaman kopi, serta dapat menjadi dasar pengembangan sistem deteksi berbasis aplikasi yang mudah digunakan oleh petani. Temuan ini berkontribusi pada pengembangan teknologi tepat guna dalam mendukung peningkatan hasil dan kualitas produksi pertanian.

Unduhan

Data unduhan belum tersedia.

Referensi

N. Risdawati and S. Soemarno, “Pengaruh Aplikasi Kompos Kulit Buah Kopi Terhadap Kandungan Bahan Organik Dan Fosfor Pada Inceptisol Kebun Kopi Desa Bangelan, Malang,” Jurnal Tanah Dan Sumberdaya Lahan, 2021, doi: 10.21776/ub.jtsl.2021.008.2.17.

I. D. K. T. A. Laksanti, “Variasi Nama-Nama Kopi Di Indonesia,” Kelasa, 2021, doi: 10.26499/kelasa.v16i1.163.

Y. Sarvina, T. June, E. Surmaini, R. Nurmalina, and S. S. Hadi, “Strategi Peningkatan Produktivitas Kopi Serta Adaptasi Terhadap Variabilitas Dan Perubahan Iklim Melalui Kalender Budidaya,” Jurnal Sumberdaya Lahan, 2020, doi: 10.21082/jsdl.v14n2.2020.65-78.

E. Sudaryanto, A. Suryanto, and T. Watiningsih, “Sistem Pakar Penyakit Pada Tanaman Kopi Berbasis Android Menggunakan Metode Forward Chaining,” Teodolita Media Komunkasi Ilmiah Di Bidang Teknik, 2022, doi: 10.53810/jt.v22i2.422.

R. Lantarsih, N. C. Kresnanto, R. Raharti, and W. H. Putri, “Pemberdayaan Kelompok Tani Kopi Desa Balerante Kabupaten Klaten,” Jurnal Pengabdian Undikma, 2022, doi: 10.33394/jpu.v3i2.5598.

R. C. Sigitta, R. H. Saputra, and F. Fathulloh, “Deteksi Penyakit Tomat Melalui Citra Daun Menggunakan Metode Convolutional Neural Network,” Avitec, 2023, doi: 10.28989/avitec.v5i1.1404.

M. Megawati and R. M. Candra, “Diagnosa Hama Dan Penyakit Pada Tanaman Jeruk Dengan Menerapkan Jaringan Syaraf Tiruan Learning Vector Quantization (Studi Kasus?: Badan Penyuluhan Pertanian Kuok),” Jurnal Coreit Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 2018, doi: 10.24014/coreit.v3i2.4399.

E. Aulia, M. Sutrawati, and T. Pamekas, “Deteksi Molekuler Dan Analisis Genetik Begomovirus Pada Tanaman Cabai Di Desa Pematang Donok,” Jurnal Ilmu-Ilmu Pertanian Indonesia, 2022, doi: 10.31186/jipi.24.2.69-74.

A. Fuentes, S. Yoon, S. C. Kim, and D. S. Park, “A Robust Deep-Learning-Based Detector for Real-Time Tomato Plant Diseases and Pests Recognition,” Sensors, 2017, doi: 10.3390/s17092022.

S. Sladojevi?, M. Arsenovi?, A. Anderla, D. ?ulibrk, and D. Stefanovi?, “Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification,” Comput Intell Neurosci, 2016, doi: 10.1155/2016/3289801.

J. Chen, Q. Liu, and L. Gao, “Visual Tea Leaf Disease Recognition Using a Convolutional Neural Network Model,” Symmetry (Basel), 2019, doi: 10.3390/sym11030343.

M. A. Musci, C. Persello, and A. M. Lingua, “Uav Images and Deep-Learning Algorithms for Detecting Flavescence Doree Disease in Grapevine Orchards,” The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, 2020, doi: 10.5194/isprs-archives-xliii-b3-2020-1483-2020.

B. P. Zen, I. K. A, and D. C. Fransisca, “Applications for Detecting Plant Diseases Based on Artificial Intelligence,” Sinkron, 2022, doi: 10.33395/sinkron.v7i4.11833.

Stephen, Raymond, and H. Santoso, “Aplikasi Convolution Neural Network Untuk Mendeteksi Jenis-Jenis Sampah,” Bandar Lampung, Oct. 2019. Accessed: Jul. 16, 2025. [Online]. Available: https://download.garuda.kemdikbud.go.id/article.php?article=1299516&val=6024&title=APPLIKASI%20CONVOLUTION%20NEURAL%20NETWORK%20UNTUK%20MENDETEKSI%20JENIS-JENIS%20SAMPAH

D. Sarwinda, R. H. Paradisa, A. Bustamam, and P. Anggia, “Deep Learning in Image Classification using Residual Network (ResNet) Variants for Detection of Colorectal Cancer,” in Procedia Computer Science, Elsevier B.V., 2021, pp. 423–431. doi: 10.1016/j.procs.2021.01.025.

J.-R. Xiao, P.-C. Chung, H. Wu, Q.-H. Phan, J. A. Yeh, and M. T. Hou, “Detection of Strawberry Diseases Using a Convolutional Neural Network,” Plants, vol. 10, no. 1, p. 31, 2020, doi: 10.3390/plants10010031.