Implementasi Convolution Neural Network (CNN) untuk Deteksi Penyakit pada Daun Jagung Berbasis Citra Digital

Abstract

Jagung merupakan komoditas pangan utama kedua di Indonesia yang sering menghadapi masalah penyakit pada daun seperti Blight, Common Rust, dan Gray Leaf Spot. Identifikasi penyakit secara manual masih mengandalkan pengamatan langsung yang bersifat subjektif dan kurang efektif untuk skala luas. Penelitian ini bertujuan mengembangkan sistem deteksi penyakit daun jagung berbasis Convolutional Neural Network (CNN) yang efisien untuk perangkat dengan spesifikasi komputasi rendah. Dataset yang digunakan terdiri dari 2.960 citra daun jagung dengan tiga kategori penyakit yang diperoleh dari publikasi akademik, dataset terbuka, dan pengambilan langsung. Preprocessing meliputi resizing ke 224×224 piksel, normalisasi, dan augmentasi data sederhana. Model CNN dibangun dengan arsitektur sequential berlapis yang terdiri dari tiga blok Conv2D dan MaxPooling2D, flatten layer, dense layer 128 neuron dengan ReLU, dropout 0.5, dan output layer dengan aktivasi softmax. Evaluasi dilakukan dengan delapan kombinasi parameter validation split (0.2 dan 0.3), zoom range (0.2 dan 0.4), dan epoch (20 dan 50). Hasil terbaik diperoleh pada kombinasi validation split 0.2, zoom range 0.2, dan epoch 20 dengan akurasi validasi 90.03% dan loss 0.2574. Confusion matrix menunjukkan performa seimbang pada ketiga kelas penyakit dengan precision, recall, dan F1-score rata-rata 0.90. Model ini terbukti efisien, akurat, dan cocok untuk implementasi pada perangkat dengan keterbatasan komputasi, memberikan solusi praktis bagi petani dalam deteksi dini penyakit tanaman jagung.