Analisis Kinerja CNN Dengan XceptionNet Dalam Klasifikasi Penyakit Daun Terong Berdasarkan Citra

Abstract

Tanaman terong (Solanum melongena) merupakan salah satu komoditas hortikultura yang memiliki nilai ekonomi penting di Indonesia. Dalam proses budidayanya, tanaman terong sering mengalami berbagai jenis penyakit pada bagian daun yang dapat mengganggu proses fotosintesis dan menurunkan produktivitas tanaman. Identifikasi penyakit daun secara manual sering mengalami kesulitan karena beberapa jenis penyakit memiliki kemiripan pola visual sehingga sulit dibedakan secara akurat. Oleh karena itu, penelitian ini bertujuan untuk menganalisis kinerja Convolutional Neural Network (CNN) dengan arsitektur XceptionNet dalam melakukan klasifikasi penyakit daun terong berdasarkan citra. Dataset yang digunakan terdiri dari 1.400 citra dengan 7 kelas penyakit daun terong yang diperoleh dari Kaggle. Proses penelitian meliputi tahap pra-pemrosesan data, pelatihan model menggunakan pendekatan transfer learning, serta evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CNN dengan arsitektur XceptionNet mampu melakukan klasifikasi penyakit daun terong dengan akurasi sebesar 83,57% serta menunjukkan performa yang cukup baik pada metrik evaluasi lainnya. Hasil ini menunjukkan bahwa metode yang digunakan memiliki potensi untuk dikembangkan sebagai sistem identifikasi penyakit tanaman berbasis citra secara otomatis.