Klasifikasi Penyakit Tanaman Jagung dengan Kecerdasan Buatan Berbasis CNN

Abstrak

             Deteksi dini penyakit pada tanaman jagung penting untuk meningkatkan hasil panen dan menjaga keberlanjutan pertanian. Penyakit pada jagung dapat menurunkan produktivitas, sehingga deteksi cepat dan akurat sangat dibutuhkan. Penelitian ini mengembangkan sistem klasifikasi penyakit jagung menggunakan Convolutional Neural Network (CNN) dengan dataset Corn Leaf Infection dari Kaggle oleh Ramkrishna Acharya. Dataset ini terdiri dari 341 gambar yang diklasifikasikan menjadi dua kelas: daun sehat dan daun terinfeksi. Penelitian ini membandingkan dua model CNN, yaitu model CNN sederhana dan model VGG-16 yang dimodifikasi dengan tambahan lapisan konvolusi untuk meningkatkan akurasi dan kemampuan menangani dataset yang lebih kompleks. Pada penelitian sebelumnya, AlexNet mencapai akurasi 88,7%, namun dianggap kurang efektif karena dirancang untuk dataset besar dan kompleks. Hasil penelitian menunjukkan bahwa model CNN sederhana mencapai akurasi 94,2%, sementara model VGG-16 memperoleh akurasi yang lebih tinggi, yaitu 97,10%. Sistem yang dikembangkan ini memberikan solusi otomatis bagi petani untuk mendeteksi penyakit jagung secara cepat dan akurat, memungkinkan tindakan pencegahan yang lebih dini. Dengan demikian, teknologi ini dapat meningkatkan efisiensi pertanian dan hasil panen.