Implementasi Computer Vision dalam Mendeteksi Penyakit pada Tanaman Cabai dan Tomat Menggunakan Algoritma Convolutional Neural Networks: Implementation of Computer Vision for Detecting Diseases in Chili and Tomato Plants Using the Convolutional Neural Networks Method

Deris Pakiding; Ahmad Selao; Wahyuddin Wahyuddin

doi:10.57152/malcom.v5i3.1989

Authors

Deris Pakiding Universitas Muhammadiyah Parepare
Ahmad Selao Universitas Muhammadiyah Parepare
Wahyuddin Wahyuddin Universitas Muhammadiyah Parepare

DOI:

https://doi.org/10.57152/malcom.v5i3.1989

Keywords:

Computer Vision, Convolutional Neural Networks, Penyakit, Python, Tanaman

Abstract

Computer Vision banyak diterapkan dalam bidang pertanian untuk mendeteksi penyakit tanaman secara otomatis. Penelitian ini mengembangkan aplikasi berbasis web menggunakan Algoritma Convolutional Neural Networks (CNN) untuk mendeteksi penyakit pada tanaman cabai dan tomat. Aplikasi ini dibangun dengan HyperText Markup Language (HTML), Cascading Style Sheets (CSS), Python, JavaScript, dan Flask, memungkinkan pengguna mengunggah gambar tanaman untuk diklasifikasikan. Model CNN mencapai akurasi pelatihan 91%. Saat diuji menggunakan dataset terpisah, model memperoleh akurasi tinggi. Namun, setelah diterapkan dalam aplikasi untuk deteksi nyata, akurasi menurun menjadi 75%, yang bisa disebabkan oleh kondisi pencahayaan, kualitas gambar, dan perbedaan dataset. Kesalahan untuk deteksi nyata terutama terjadi pada kelas Cabai Leaf Curl 50% dan Tomat Normal 40% dari masing-masing 10 kali uji deteksi sampel. Analisis kinerja model menggunakan precision, recall, dan F1-score menunjukkan bahwa Cabai Leaf Curl memiliki recall tertinggi sebesar 0.9619 dan memiliki precision tertinggi 0.9711. Sementara pada Tomat Late Blight mendapatkan skor terendah pada Recall 0.7594 dan F1-Score 0.8510, menunjukkan tantangan dalam klasifikasi. Analisis heatmap mengungkapkan bahwa model berfokus pada fitur gambar tertentu tetapi tidak selalu pada area penyakit. Peningkatan kinerja melalui optimasi preprocessing data, augmentasi gambar, dan arsitektur model yang lebih kompleks diperlukan untuk meningkatkan akurasi serta mengurangi kesalahan klasifikasi.

Downloads

Download data is not yet available.

References

H. Tian, T. Wang, Y. Liu, X. Qiao and Y. Li, "Computer Vision Technology in Agricultural Automation," Information Processing In Agriculture vol.7, pp. 1-19, 2020.

C. Wati, A. T. Karenina, R. Y. Nirwanto, I. Nurcahya, D. Meilani, D. Astuti, D. Septiarini, S. R. F. Purba, E. P. Ramdan and D. Nurul, Hama dan Penyakit Tanaman, bogor: Yayasan Kita Menulis, 2021.

A. Taner, Y. B. Oztekin and H. Duran, "Performence Analysis of Deep Learning CNN Models for Variety Classification in Hazelnut," Sustainability, 2021.

E. Rasywir and R. Sinaga, "Analisis dan Implementasi Diagnosa Penyakit Sawit Dengan Metode Convolutional Neural Network," Paradigma - Jurnal Informatika dan Komputer Vo.22 No.22, 2020.

D. R. Sya’bani, A. Hamzah and E. Susanti, "Klasifikasi Buah Segar Dan Busuk Menggunakan Algoritma Convolutional Neural Network Dengan Tflite Sebagai Media Penerapan Model Machine Learning," 2022. [Online]. Available: https://ejournal.akprind.ac.id/index.php/snast/article/download/4180/2976/6861?.

A. M. Lesmana, R. P. Fadhillah and C. Rozikin, "Identifikasi Penyakit pada Citra Daun Kentang Menggunakan Convolutional Neural Network (CNN)," Jurnal Sains dan Informatika Vol.8 No.1, 2022.

M. M. u. Rehman, J. Liu, A. Nijabat, M. Faheem, W. Wang and S. Zhao, "Leveraging Convolutional Neural Networks for Disease Detection in Vegetables: A Comprehensive Review," Agronomy, vol. 14, 2024.

B. Tugrul , E. Elfatimi and R. Eryigit , "Convolutional Neural Networks in Detection of Plant Leaf Diseases: A Review," agriculture, vol. 12, 2022.

A. Y. Ashurov, M. S. A. M. Al-Gaashani, N. A. Samee, R. Alkanhel, G. Atteia, H. A. Abdallah and M. S. A. Muthanna, "Enhancing plant disease detection through deep learning: a Depthwise CNN with squeeze and excitation integration and residual skip connections," Frontiers in Plant Science, vol. 15, 2025.

A. Geron, Hands-On Machine Learning With Scikit-Learn, Keras & TensorFlow, Canada: O'Reilly Media, 2019.

T. Mulia, M. Kallista and P. D. Wibawa, "Preprocessing Gambar Sampah untuk Sistem Pemilah Sampah Otomatis menggunakan Roboflow," e-Proceeding of Engineering , vol. 11, pp. 6743-6247, 2024.

A. Dubey, A. Lazarus and D. Mangal, "Handwritten Digit Recognition using Image Preprocessing and CNN," IJSRCSEIT, 2020.

L. Alzubaidi, J. Zhang, A. J. Humaidi, A. Al-Djuaili, Y. Duan, O. Al-Shama, S. J. and L. Farhan, "Review of deep learning: concepts, CNN architectures, challenges, applications, future directions," Journal of Big Data, 2021.

J. Sanjaya and M. Ayub, "Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate,dan Mixup," Jurnal Teknik Informatika dan Sistem Informasi, 2020.

X. Zhao, L. Wang, Y. Zhang , X. Han, M. Deveci and M. Parmar, "A Review of Convolutional Neural Networks in computer Vision," Artificial Intelligence Review, vol. 57, 2024.

Y. N. Fuadah, I. D. Ubaidullah, N. Ibrahim, F. F. Taliningsing, N. K. SY and M. A. Pramuditho, "Optimasi Convolutional Neural Network dan K-Fold Cross

Validation pada Sistem Klasifikasi Glaukoma," ELKOMIKA, vol. 10, pp. 728-741, 2022.

J. Murel Ph.D. and E. Kavlakoglu, "What Is Confusion a Matrix," 19 01 2024. [Online]. Available: https://www.ibm.com/topics/confusion-matrix.

A. Rahman, Brain Tumor Detection and Classification by Using CNN, Finland: UEF eRepository, 2024.

A. Amanzadi and M. Karim, Comparison of Machine Learning Models Used for Swedish Text Classification in Chat Messaging, Stockholm: DiVa, 2022.

S. Raschka, "Machine Learning in Python: Main Developments and Technology Trends In Data Science, Machine Learning and Artificial Intelligence," Information, 2020.

Y. Supriadi, Semua Bisa Menjadi Programmer Javascript & Node.JS, Jakarta: PT Elex Media Komputindo, 2020.