Sistem Klasifikasi Diagnosa Penyakit Daun Cabai Berbasis Pengolahan Citra Menggunakan Convolutional Neural Network (CNN)

Abstract

Identifikasi penyakit daun cabai secara manual menghadapi kendala berupa kemiripan gejala visual dan keterbatasan akses terhadap tenaga ahli pertanian. Penelitian ini bertujuan mengembangkan sistem klasifikasi diagnosis kondisi daun cabai berbasis Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV2 dan pendekatan transfer learning. Penelitian menggunakan pendekatan kuantitatif eksperimental dengan dataset sekunder dari Kaggle yang terdiri atas 1.200 citra daun cabai, meliputi kelas daun sehat, daun keriting, dan daun menguning. Instrumen penelitian berupa dataset citra digital dan perangkat lunak pengembangan model. Dataset dibagi menjadi 80% data latih, 10% data validasi, dan 10% data uji. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score, sedangkan pengujian fungsional menggunakan metode black-box testing. Hasil pengujian menunjukkan akurasi model sebesar 100%, dengan nilai precision, recall, dan F1-score sebesar 1,0000 pada seluruh kelas. Seluruh skenario pengujian fungsional juga berjalan sesuai harapan. Kesimpulannya, sistem SIKDAC berpotensi menjadi alat bantu identifikasi awal kondisi daun cabai melalui aplikasi web dengan inferensi langsung menggunakan TensorFlow.js. Namun, pengujian pada citra lapangan yang lebih beragam masih diperlukan untuk memastikan kemampuan generalisasi sistem.