Identifikasi penyakit tanaman tomat melalui citra daun menggunakan DenseNet201

Abstrak

Penelitian ini berfokus pada implementasi algoritma DenseNet201 untuk klasifikasi penyakit pada tanaman tomat menggunakan dataset gambar daun dari PlantVillage. Sektor pertanian memiliki peranan sentral dalam perekonomian Indonesia, dengan tomat sebagai salah satu tanaman hortikultura penting. Namun, produktivitas tomat seringkali terhambat oleh berbagai penyakit tanaman. Diagnosis penyakit secara akurat menjadi krusial untuk meningkatkan stabilitas produksi. Pendekatan berbasis pemrosesan citra, seperti Convolutional Neural Network (CNN), telah memfasilitasi diagnosis penyakit tanaman secara efektif. Dalam penelitian ini, dataset PlantVillage yang terdiri dari 18.835 gambar daun tomat digunakan. Data dibagi menjadi train (10.000 gambar), validasi (7.000 gambar), dan tes (500 gambar). Model klasifikasi dibangun menggunakan arsitektur DenseNet201 dengan beberapa modifikasi. Hasil menunjukkan bahwa model DenseNet201 mencapai akurasi 95,20% pada data pengujian, dengan nilai F1-score keseluruhan 0,95. Dibandingkan dengan penelitian sebelumnya menggunakan VGG16 (77,2%), InceptionV3(63,4%), dan MobileNet (63,75%), model DenseNet201 menunjukkan peningkatan performa yang signifikan. Penelitian ini menyimpulkan bahwa DenseNet201 sangat efektif dalam mengklasifikasikan penyakit tanaman tomat dan berpotensi untuk diimplementasikan dalam aplikasi diagnosis penyakit tanaman secara luas.

Identifier

• DOI: https://doi.org/10.37859/coscitech.v6i2.9965
• OpenAlex: https://openalex.org/W7117414889