KLASIFIKASI PENYAKIT DAUN TOMAT BERBASIS TRANSFER LEARNING EFFICIENTNETB0
DOI:
https://doi.org/10.36595/jire.v9i1.2006Keywords:
EfficientNetB0, Klasifikasi, Penyakit Daun Tomat, transfer learning, deep learning, deteksi penyakit tanamanAbstract
Penyakit daun tomat seperti Early Blight dan Late Blight menjadi ancaman serius terhadap produktivitas pertanian yang memerlukan deteksi dini untuk mencegah kerugian hasil panen. Penelitian ini mengembangkan sistem klasifikasi penyakit daun tomat menggunakan arsitektur EfficientNetB0 dengan metode transfer learning untuk mengidentifikasi tiga kategori kondisi daun Early Blight, Healthy, dan Late Blight. Dataset terdiri dari 1.425 gambar yang dibagi dengan rasio 80:20 dan ditingkatkan menjadi 4.557 gambar training melalui teknik augmentasi data. Empat skenario eksperimen dilakukan dengan variasi batch size (16 dan 32) serta jumlah epoch (25 dan 50) untuk mengidentifikasi konfigurasi hyperparameter optimal. Hasil evaluasi menunjukkan bahwa model dengan batch size 16 dan epoch 50 menghasilkan performa terbaik dengan test accuracy 92.55%, precision 92.82%, recall 92.55%, dan F1-score 92.39%. Performa per-kelas mencapai Early Blight (F1-score 92.46%), Healthy (F1-score 96.26% dengan recall sempurna 100%), dan Late Blight (F1-score 88.30%). Analisis komparatif membuktikan batch size 16 konsisten unggul dibanding batch size 32 dengan selisih akurasi 4.21%, dan peningkatan epoch dari 25 ke 50 memberikan kenaikan 2.10% terutama pada deteksi Early Blight. Model yang dikembangkan memenuhi standar aplikasi praktis dengan akurasi tinggi dan waktu training efisien, berpotensi membantu petani melakukan deteksi dini penyakit untuk meningkatkan produktivitas tanaman tomat.
Downloads
References
[1] B. P. Statistik, “Statistik Tanaman Sayuran dan Buah-buahan Semusim Indonesia 2022.”
[2] D. Dan, K. Penyakit, and D. Tomat, “Jurnal Computer Science and Information Technology ( CoSciTech ) Detection And Classification Tomato Leaf Disease Using ResNet-50,” vol. 6, no. 1, pp. 9–20, 2025.
[3] I. Komputer, U. P. Ganesha, and K. Tabanan, “PENGARUH DATA AUGMENTASI PADA IDENTIFIKASI PENYAKIT DAUN TANAMAN OBAT MENGGUNAKAN K-NEAREST NEIGHBOR,” vol. 9, no. 2, pp. 2094–2100, 2025.
[4] A. C. Anwari, “Klasifikasi Penyakit Tanaman Tomat Melalui Citra Daun Menggunakan Metode Convolutional Neural Network,” vol. 02, no. 03, pp. 639–647, 2024.
[5] I. Adi, P. Pande, O. Andewi, and A. Ardivan, “Klasifikasi Tanaman Pinus Berbasis Forward Chaining Pada Sistem Pakar,” vol. 13, no. 11, pp. 142–156, 2024.
[6] D. Prima, H. Putri, N. Putu, N. Puspa, I. K. Purnamawan, and N. W. Marti, “Perbandingan Performansi Support Vector Machine ( Svm ) dan Backpropagation untuk Klasifikasi Studi,” vol. 9, no. 3, pp. 492–501, 2023.
[7] N. Putu et al., “River Area Segmentation Using Sentinel-1 SAR Imagery with Deep-Learning Approach,” vol. 19, no. 4, pp. 39–63, 2025.
[8] J. Sistem, S. Komputer, A. J. Bastari, and A. Cherid, “CONVOLUTIONAL NEURAL NETWORK DAN IMPLEMENTASI MODEL H5 PADA APLIKASI DESKTOP,” vol. 8, no. 2, pp. 199–207, 2023.
[9] N. Istifadah, R. A. Putri, and S. Hartati, “The Abilities of Bacteria and Yeast Isolated from Vermicompost Water Extract to Inhibit Alternaria solani in vitro and Early Blight Disease on Tomato,” vol. 4, no. 2, pp. 73–79, 2022.
[10] and G. S. M. R. Widodo, S. H. Hidayat, “Epidemiologi dan Manajemen Penyakit Late Blight pada Tanaman Solanaceae di Indonesia,” vol. 17, no. 04, pp. 1–28, 2024.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
