Evaluasi Kinerja Model CNN Berbasis Transfer Learning dalam Klasifikasi Penyakit Daun Padi

tsabit yunan al rajab; Nur Nafiiyah

doi:10.30865/json.v7i3.9539

Authors

tsabit yunan al rajab universitas islam lamongan
Nur Nafiiyah Universitas Islam Lamongan

DOI:

https://doi.org/10.30865/json.v7i3.9539

Keywords:

Convolutional Neural Network, Daun Padi, Klasifikasi, Penyakit, Transfer Learning

Abstract

Salah satu penyebab utama penurunan produktivitas pertanian adalah penyakit daun padi, yang berdampak langsung pada ketahanan pangan nasional. Tujuan dari penelitian ini adalah untuk mengevaluasi dan membandingkan kinerja sembilan arsitektur Convolutional Neural Network (CNN) berbasis transfer learning dalam klasifikasi penyakit daun padi. Arsitektur-arsitektur ini termasuk DenseNet121, InceptionV3, MobileNet, MobileNetV2, MobileNetV3Large, NASNetLarge, ResNet101, VGG16, dan Xception. Tiga kelas penyakit (Blast, Blight, dan Tungro) terdiri dari dataset Kaggle. Data asli digunakan sebagai data pengujian untuk menjaga objektivitas evaluasi, sedangkan data hasil augmentasi digunakan sebagai data pelatihan. Setiap model dilengkapi dengan lapisan Global Average Pooling, Batch Normalization, dan Dense (128). Selain itu, setiap model dilatih menggunakan optimizer SGD yang memiliki tingkat pembelajaran 0,001, epoch 30, ukuran batch 2, dan fungsi kehilangan kategoris crossentropy. Akurasi, precision, recall, dan skor F1 digunakan untuk menilai. Hasil penelitian menunjukkan bahwa MobileNetV3Large, VGG16, dan ResNet101 memiliki akurasi tertinggi sebesar 100,00%, 99,58%, dan 99,17%, masing-masing. Hasil ini menunjukkan bahwa kinerja klasifikasi penyakit daun padi dipengaruhi secara signifikan oleh pilihan arsitektur CNN yang tepat. Selain itu, temuan ini menunjukkan bahwa pembelajaran transfer dapat menjadi cara yang efektif untuk membangun sistem AI yang mendeteksi penyakit tanaman secara dini.

References

U. I. Ismail, H. N. Chua, R. Nordin, and M. K. Ahmed, “A comprehensive review of deep learning approaches for rice disease detection: Datasets, methodologies, and future directions,” 2025. doi: 10.1016/j.atech.2025.100976.

K. V. Deputy, K. Passi, and C. K. Jain, “Crop Disease Detection Using Deep Learning Techniques on Images,” Journal of Computer Science, vol. 19, no. 12, 2023, doi: 10.3844/jcssp.2023.1438.1449.

S. S. Chouhan, A. Kaul, and U. P. Singh, “A deep learning approach for the classification of diseased plant leaf images,” in Proceedings of the 4th International Conference on Communication and Electronics Systems, ICCES 2019, 2019. doi: 10.1109/ICCES45898.2019.9002201.

Y. A. Nanehkaran, D. Zhang, J. Chen, Y. Tian, and N. Al-Nabhan, “Recognition of plant leaf diseases based on computer vision,” J. Ambient Intell. Humaniz. Comput., 2020, doi: 10.1007/s12652-020-02505-x.

M. Khoiruddin, A. Junaidi, and W. A. Saputra, “Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network,” Journal of Dinda : Data Science, Information Technology, and Data Analytics, vol. 2, no. 1, 2022, doi: 10.20895/dinda.v2i1.341.

B. D. Setiawan, F. A. Bachtiar, and G. Ramadhona, “Prediksi Produktivitas Padi Menggunakan Jaringan Syaraf Tiruan Backpropagation,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2018.

E. Elfatimi, R. Eryigit, and L. Elfatimi, “Beans Leaf Diseases Classification Using MobileNet Models,” IEEE Access, vol. 10, 2022, doi: 10.1109/ACCESS.2022.3142817.

R. Firmansyah and N. Nafi’iyah, “Identifying Types of Corn Leaf Diseases with Deep Learning,” Journal of Intelligent System and Computation, vol. 6, no. 1, pp. 18–23, 2024, doi: 10.52985/insyst.v6i1.347.

P. Kakchingtabam, B. K. Sakshi, P. Jadav, and H. Harshavardhan, “A Comprehensive Survey of Transfer Learning Techniques and Applications Across Domains,” in Proceedings of 5th International Conference on Soft Computing for Security Applications, ICSCSA 2025, 2025. doi: 10.1109/ICSCSA66339.2025.11170934.

C. G. Simhadri, H. K. Kondaveeti, V. K. Vatsavayi, A. Mitra, and P. Ananthachari, “Deep learning for rice leaf disease detection: A systematic literature review on emerging trends, methodologies and techniques,” 2025. doi: 10.1016/j.inpa.2024.04.006.

I. Yudistura and N. Nafiiyah, “Pengembangan Arsitektur CNN untuk Sistem Identifikasi Penyakit Daun pada Tanaman Padi,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 7, no. 1, pp. 24–32, Sep. 2025, doi: 10.30865/json.v7i1.8849.

R. A. Saputra, S. Wasiyanti, A. Supriyatna, and D. F. Saefudin, “Penerapan Algoritma Convolutional Neural Network Dan Arsitektur MobileNet Pada Aplikasi Deteksi Penyakit Daun Padi,” Swabumi, vol. 9, no. 2, 2021, doi: 10.31294/swabumi.v9i2.11678.

M. F. A. Maulana, N. M. Anggadimas, and D. A. Sani, “Klasifikasi Citra Penyakit Daun Padi Dengan Metode CNN Menggunakan Arsitektur ResNet50V2,” CESS (Journal of Computer Engineering, System and Science), vol. 10, no. 2, 2025, doi: 10.24114/cess.v10i2.66960.

A. Setiawan, A. Nursafitri, E. V. Afnarista, H. Mulyasari, V. H. Zahwa, and Z. Suryadi, “Klasifikasi Penyakit Tanaman Mangga Menggunakan Algorithma CNN Pada Citra Daun Daun,” SENTIMETER (Seminar Nasional Teknologi Informasi, Mekatronika dan Ilmu Komputer), vol. 4, 2025.

U. Kulsum and A. Cherid, “Penerapan Convolutional Neural Network Pada Klasifikasi Tanaman Menggunakan ResNet50,” SIMKOM, vol. 8, no. 2, 2023, doi: 10.51717/simkom.v8i2.191.

F. Zaelani and Y. Miftahuddin, “Perbandingan Metode EfficientNetB3 dan MobileNetV2 Untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun,” Jurnal Ilmiah Teknologi Infomasi Terapan, vol. 9, no. 1, 2022, doi: 10.33197/jitter.vol9.iss1.2022.911.

F. I. Tanesab, Y. C. Laatrehe, and M. alberto Wurlela, “Penerapan Metode CNN Dalam Mengklasifikasi Jenis Penyakit Pada Daun Mangga Menggunakan Arsitektur InceptionV3,” Jurnal Penelitian Nusantara, vol. 1, no. 8, 2025.

S. Sheila, M. K. Anwar, A. B. Saputra, R. Pujianto, and I. P. Sari, “Deteksi Penyakit pada Daun Padi Berbasis Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN),” JURNAL MULTINETICS, no. 1, 2023, [Online]. Available: https://www.kaggle.com/datasets/tedisetiady/leaf-