Klasifikasi Penyakit Pada Tumbuhan Padi Melalui Citra Daun dengan Pemanfaatan Model VGG16

Abstract

Penyakit pada tanaman padi merupakan ancaman serius bagi ketahanan pangan global, dengan contoh historis seperti kelaparan besar di Bangladesh pada tahun 1940-an yang menunjukkan dampak buruk dari penyakit tanaman yang tidak terkendali. Meskipun teknologi telah berkembang, banyak petani masih kesulitan dalam mengidentifikasi dan menangani penyakit padi secara akurat, sering kali hanya mengandalkan saran dari sesama petani yang belum tentu tepat. Penelitian ini bertujuan untuk mengembangkan sistem otomatis untuk klasifikasi penyakit tanaman padi melalui citra daun menggunakan model deep learning VGG-16. Dataset yang digunakan terdiri dari 15.000 gambar latih dan 3.400 gambar validasi yang mencakup delapan jenis penyakit padi yang umum: Bacterial Leaf Blight, Brown Spot, Leaf Blast, Leaf Scald, Narrow Brown Spot, Rice Hispa, Sheath Blight, dan Tungro. Sebanyak delapan model VGG-16 dilatih dengan variasi parameter seperti batch size, jumlah epoch, dan jenis optimizer (Adam dan AdamW) untuk menentukan konfigurasi terbaik. Evaluasi model dilakukan menggunakan confusion matrix dan classification report. Hasil penelitian menunjukkan bahwa VGG-16 mampu mengklasifikasikan penyakit padi dengan akurasi tinggi, serta menunjukkan performa yang lebih baik dibandingkan model seperti AlexNet. Penelitian ini tidak hanya berkontribusi pada pengembangan teknologi pertanian, tetapi juga mendukung pembuatan aplikasi berbasis mobile yang memungkinkan petani untuk mendiagnosis penyakit secara cepat dan akurat. Pada akhirnya, sistem ini diharapkan dapat menjadi dasar pengembangan alat bantu keputusan dalam manajemen penyakit padi yang lebih efisien dan efektif. Rice plant diseases pose a significant threat to global food security, with historical examples such as the 1940s famine in Bangladesh highlighting the devastating effects of uncontrolled plant diseases. Despite technological advances, many farmers still struggle to accurately identify and manage rice diseases, often relying on peer suggestions that may not be scientifically accurate. To address this issue, this study aims to develop an automated system for classifying rice plant diseases through leaf images using the VGG-16 deep learning model. The dataset used consists of 15,000 training and 3,400 validation images across eight common rice diseases: Bacterial Leaf Blight, Brown Spot, Leaf Blast, Leaf Scald, Narrow Brown Spot, Rice Hispa, Sheath Blight, and Tungro. Eight VGG-16 models were trained with variations in batch size, number of epochs, and optimizer types (Adam and AdamW) to identify the best-performing configuration. Model evaluation was conducted using confusion matrices and classification reports. The results show that VGG-16 is capable of classifying rice diseases with high accuracy, outperforming other models such as AlexNet. This research not only contributes to the field of agricultural technology but also supports the development of mobile-based applications that enable farmers to diagnose diseases quickly and accurately. Ultimately, the proposed system can serve as a foundation for a more efficient and effective decision support tool in rice disease management.