Klasifikasi penyakit tanaman pangan berdasarkan citra daun menggunakan Convolutional Neural Network

INDONESIA :

Pertanian merupakan sektor vital dalam perekonomian yang menyediakan pangan, bahan mentah, dan lapangan pekerjaan. Namun, di Indonesia, sektor ini mengalami tantangan besar, termasuk rendahnya minat generasi muda untuk terjun langsung serta masalah penyakit tanaman. Untuk melakukan identifikasi terhadap penyakit tanaman, dibutuhkan ahli yang paham dalam bidang tersebut, akan tetapi membutuhkan waktu dan biaya yang cukup banyak dalam prosesnya. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit tanaman menggunakan metode Convolutional Neural Network (CNN) untuk membantu petani dalam mengidentifikasi penyakit tanaman padi, jagung, tomat, dan kentang berdasarkan citra daun. Skenario uji pada penelitian ini dilakukan dengan rasio pembagian data 70:30, 80:20, dan 90:10 serta menggunakan metode single stage classification dan multi stage classification. Hasil terbaik diperoleh dari skenario pembagian data 80:20 dengan single stage classification yang mencapai rata-rata accuracy 80%, precision 80%, recall 81%, dan F1-Score 79%. Studi ini menunjukkan bahwa metode CNN efektif dalam klasifikasi penyakit tanaman, dengan performa terbaik diperoleh pada rasio data 80:20 dan single stage classification. Penelitian ini diharapkan dapat menjadi alat bantu bagi petani baru untuk mengenali dan menangani penyakit tanaman dengan lebih cepat dan tepat, serta mendorong inovasi dalam industri pertanian. Implementasi CNN dalam klasifikasi penyakit tanaman menunjukkan potensi besar dalam meningkatkan efisiensi dan akurasi deteksi penyakit, yang pada akhirnya dapat mendukung keberlanjutan dan perkembangan sektor pertanian.

ENGLISH:

Agriculture is a vital sector in the economy, providing food, raw materials, and employment. However, in Indonesia, this sector faces significant challenges, including the low interest of the younger generation in direct involvement and plant disease issues. Identifying plant diseases requires experts in the field, but this process is time-consuming and costly. This study aims to develop a plant disease classification model using the Convolutional Neural Network (CNN) method to assist farmers in identifying diseases in rice, corn, tomato, and potato plants based on leaf images. The experimental scenario in this research was conducted with data split ratios ratios of 70:30, 80:20, and 90:10, and utilizes single stage classification and multi stage classification methods. The best results were obtained from the 80:20 data split scenario with single stage classification, achieving average accuracy, precision, recall, and F1-Score of 80%, 80%, 81%, and 79%, respectively. This study demonstrates that the CNN method is effective in plant disease classification, with the best performance achieved with an 80:20 data split and single stage classification. This research is expected to serve as a tool for new farmers to recognize and address plant diseases more quickly and accurately, and to encourage innovation in the agricultural industry. The implementation of CNN in plant disease classification shows great potential in increasing the efficiency and accuracy of disease detection, ultimately supporting the sustainability and development of the agricultural sector.

ARABIC:

الزراعة قطاع حيوي في الاقتصاد يوفر الغذاء والمواد الخام والوظائف. ومع ذلك، في إندونيسيا، يواجه هذا القطاع تحديات كبيرة، بما في ذلك انخفاض اهتمام جيل الشباب بالقفز مباشرة إلى الصناعة ومشكلة الأمراض النباتية. لتحديد الأمراض النباتية، هناك حاجة إلى خبراء يفهمون هذا المجال، لكن الأمر يستغرق الكثير من الوقت والمال في هذه العملية. هدف هذا البحث إلى تطوير نموذج لتصنيف أمراض النبات باستخدام طريقة الشبكة العصبية التلافيفية (CNN) لمساعدة المزارعين في تحديد أمراض محاصيل الأرز والذرة والطماطم والبطاطس بناء على صور الأوراق. تم تنفيذ سيناريو الاختبار في هذا البحث بنسب مشاركة بيانات 30:70 و 20:80 و 10:90 وباستخدام تصنيف أحادي المرحلة وطريقة تصنيف متعدد المراحل. تم الحصول على أفضل النتائج من سيناريو مشاركة البيانات 20:80 مع تصنيف المرحلة الواحدة الذي حقق متوسط دقة وثبات واستدعاء ودرجة ف1 بنسبة 80٪ و 80٪ و 81٪ و 79٪ على التوالي. أظهر هذا البحث أن طريقة CNN فعالة في تصنيف أمراض النبات، مع أفضل أداء تم الحصول عليه عند نسبة البيانات 20:80 وتصنيف مرحلة واحدة. من المتوقع أن يكون هذا البحث أداة للمزارعين للتعرف على أمراض النبات وإدارتها بسرعة ودقة أكبر، فضلا عن تشجيع عدم الالتزام في الصناعة الزراعية. أظهر تنفيذ CNN في تصنيف الأمراض النباتية إمكانات كبيرة في تحسين كفاءة ودقة الكشف عن الأمراض، والتي يمكن أن تدعم في نهاية المطاف استدامة وتطوير القطاع الزراعي.