Klasifikasi Penyakit Daun Jagung Menggunakan Convolutional Neural Network Arsitektur Xception Berbasis Web
Keywords:
CNN, Xception, Corn Leaf Disease, Deep Learning, FlaskAbstract
Jagung merupakan salah satu komoditas pangan strategis di Indonesia yang sangat penting bagi ketahanan pangan dan industri pakan ternak. Namun, produktivitas jagung seringkali menurun akibat penyakit daun seperti gray leaf spot, common rust, dan blight. Deteksi penyakit secara manual oleh petani dinilai kurang akurat dan tidak efisien. Penelitian ini mengusulkan sistem klasifikasi penyakit daun jagung menggunakan Convolutional Neural Network (CNN) dengan arsitektur Xception, yang diintegrasikan ke dalam aplikasi berbasis web Flask agar mudah diakses oleh petani. Dataset penelitian terdiri dari 4.188 gambar daun jagung yang terbagi menjadi empat kelas: healthy, gray_leaf_spot, common_rust, dan blight. Data dibagi menjadi 80% pelatihan, 10% validasi, dan 10% pengujian. Preprocessing dilakukan melalui augmentasi citra (rotasi, flipping, zooming) serta normalisasi piksel. Model CNN dibangun dengan pretrained Xception (tanpa top layer) dan ditambahkan layer Conv2D, MaxPooling, Dropout, Flatten, dan Dense dengan fungsi aktivasi softmax. Evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan akurasi sebesar 92,40% dengan performa terbaik pada kelas healthy dan terendah pada kelas gray_leaf_spot (68,97%). Sistem berhasil diimplementasikan ke dalam aplikasi web yang dapat mengklasifikasikan penyakit daun jagung secara otomatis. Penelitian ini membuktikan efektivitas kombinasi CNN dan Xception untuk deteksi penyakit tanaman serta berkontribusi dalam pengembangan pertanian digital berbasis kecerdasan buatan.
References
Akbar, J., Daniawan, B., Hariyanto, S., Renaldi, D., Lasut, D., Safitri, R. D., Fenriana, I., & Suyitno, A. (n.d.). Transformasi Digital Pembelajaran: Integrasi Data Mining Google Colab untuk Keterampilan Teknologi Siswa SMK.
Azizah, Q. N. (2023). Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network AlexNet. sudo Jurnal Teknik Informatika, 2(1), 28–33. https://doi.org/10.56211/sudo.v2i1.227
Candana, E. W. H., Gunadi, I. G. A., & Divayana, D. G. H. (2021). Jurnal Ilmu Komputer Indonesia (JIK) , Volume 6 , No: 2, November 2021 p-ISSN : 2615-2703 (Print) dan e-ISSN: 2615-2711 (Online). 6.
Febby Wilyani, Qonaah Nuryan Arif, & Fitri Aslimar. (2024). Pengenalan Dasar Pemrograman Python Dengan Google Colaboratory. Jurnal Pelayanan dan Pengabdian Masyarakat Indonesia, 3(1), 08–14. https://doi.org/10.55606/jppmi.v3i1.1087
Gaho, R. L., Ali, I. T., & Prakasa, E. (2024). KLASIFIKASI KUALITAS PERMUKAAN JALAN RAYA MENGGUNAKAN METODE CNN BERBASIS ARSITEKTUR XCEPTION. INOVTEK Polbeng - Seri Informatika, 9(1). https://doi.org/10.35314/isi.v9i1.4213
Hermawan, A. L. (2023). Klasifikasi Penyakit Daun Jagung Menggunakan Lightweight Convolutional Neural Network. JIIFKOM (Jurnal Ilmiah Informatika dan Komputer), 2(2), 1–7. https://doi.org/10.51901/jiifkom.v2i2.347
Kusumastuti, R., Dwi Putra, T., & Zulfahmi Yudam, Z. (2024). KLASIFIKASI CITRA PENYAKIT DAUN JAGUNG MENGGUNAKAN ALGORITMA CNN EFFCIENTNET. MULTITEK INDONESIA, 17(2), 143–153. https://doi.org/10.24269/mtkind.v17i2.10085
Ma, Z., Wang, Y., Zhang, T., Wang, H., Jia, Y., Gao, R., Su, Z., 1. Institute of Electrical and Information, Northeast Agricultural University, Harbin 150030, China, 2. Agricultural Products and Veterinary Drug Feed Technical Identification Station, Department of Agriculture and Rural Affairs of Heilongjiang Province, Harbin 150090, China, & 3.
Key Laboratory of Northeast Smart Agricultural Technology, Ministry of Agriculture and Rural Affairs, Heilongjiang Province, Harbin 150030, China. (2022).
Maize leaf disease identification using deep transfer convolutional neural networks. International Journal of Agricultural and Biological Engineering, 15(5), 187–195. https://doi.org/10.25165/j.ijabe.20221505.6658
Putra, I. P., Rusbandi, R., & Alamsyah, D. (2022). Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network. Jurnal Algoritme, 2(2), 102–112. https://doi.org/10.35957/algoritme.v2i2.2360
Raihan Maulana, Raisya Dwi Zahra Putri, Sindy Fitriani Margareth Sihaloho, & Sri Mulyana. (2023). Implementasi Algoritma Convolutional Neural Network Dalam Mengklasifikasi Jenis Burung. Journal of Creative Student Research, 1(6), 221–231. https://doi.org/10.55606/jcsrpolitama.v1i6.2966
Rajeena P. P, F., S. U, A., Moustafa, M. A., & Ali, M. A. S. (2023). Detecting Plant Disease in Corn Leaf Using EfficientNet Architecture—An Analytical Approach. Electronics (Switzerland), 12(8). https://doi.org/10.3390/electronics12081938
Rizki, F., Kharisma Putra, M. P., Assuja, M. A., & Ariany, F. (2023). Implementasi Deep Leraning Lenet Dengan Augmentasi Data Pada Identifikasi Anggrek. Jurnal Informatika dan Rekayasa Perangkat Lunak, 4(3), 357–366. https://doi.org/10.33365/jatika.v4i3.3652
Salehin, I., & Kang, D.-K. (2023). A Review on Dropout Regularization Approaches for Deep Neural Networks within the Scholarly Domain. Electronics, 12(14), 3106. https://doi.org/10.3390/electronics12143106
