Klasifikasi Penyakit pada Daun Tanaman Cabai Menggunakan Metode Convolutional Neural Network

Abstract

Cabai rawit (Capsicum frutescens L.) merupakan komoditas hortikultura bernilai ekonomi tinggi, namun produktivitasnya sering menurun akibat penyakit daun. Identifikasi manual masih bergantung pada pengalaman petani sehingga rawan kesalahan karena kemiripan gejala antar penyakit. Penelitian ini bertujuan mengembangkan model klasifikasi Tanaman penyakit daun cabai rawit berbasis citra digital menggunakan metode Convolutional Neural Network (CNN) agar identifikasi dapat dilakukan secara otomatis, cepat, dan akurat. Dataset yang digunakan berjumlah 4.740 citra daun dengan enam kelas, yaitu Healthy Leaf, Cercospora Leaf Spot, Curl Virus, Nutrition Deficiency, White Spot, dan Bacterial Spot, yang diperoleh dari lahan pertanian Desa Kanaungan dan dataset publik Kaggle. Metode penelitian meliputi pre-processing, data augmentation, pembagian data latih, validasi, dan uji, serta pelatihan CNN menggunakan arsitektur MobileNetV2 dengan fine-tuning. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score melalui confusion matrix. Hasil menunjukkan model CNN mampu mengklasifikasikan penyakit daun cabai rawit dengan testing accuracy 99,30%, sehingga berpotensi menjadi dasar pengembangan sistem deteksi penyakit tanaman berbasis kecerdasan buatan untuk mendukung produktivitas pertanian.