Klasifikasi Jenis Penyakit Tanaman Jagung Berdasarkan Citra Daun dengan Algoritma EfficientNetV2-S

Abstrak

Jagung adalah salah satu komoditas pangan penting di Indonesia, yang rentan terhadap penyakit daun seperti karat daun, bercak daun abu-abu, dan hawar daun. Serangan penyakit ini dapat menurunkan produktivitas sekaligus pendapatan petani. Klasifikasi manual yang dilakukan oleh petugas lapangan masih terbatas oleh kecepatan dan konsistensi, sehingga diperlukan sistem klasifikasi otomatis berbasis citra digital. Penelitian ini mengusulkan model klasifikasi penyakit daun jagung menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur EfficientNetV2-S. Dataset yang digunakan terdiri dari 2.256 gambar daun jagung dari Kaggle, dibagi menjadi empat kelas: hawar daun, karat daun, bercak daun abu-abu, dan daun sehat. Semua gambar diubah ukurannya menjadi 224×224 piksel, dilakukan augmentasi, dan kemudian dibagi menjadi 80% data pelatihan dan 20% data validasi. Proses pelatihan dilakukan dengan batch size 32, learning rate 0,000005, dan 200 epoch. Evaluasi kinerja dilakukan menggunakan matriks kebingungan dengan metrik akurasi, presisi, recall, dan F1-score. Hasil terbaik diperoleh pada epoch ke-150 dengan akurasi 96%, tanpa tanda-tanda overfitting. Temuan ini menunjukkan bahwa EfficientNetV2-S dapat menjadi pendekatan yang efektif untuk mengklasifikasikan penyakit daun jagung dengan cepat dan akurat, yang berpotensi membantu petani mendeteksi penyakit lebih awal.