Penerapan CNN Kustom dalam Klasifikasi Penyakit Daun Padi Berdasarkan Citra Digital
Smart Comp :Jurnalnya Orang Pintar Komputer · 20.10.2026 · 15 (4) · 928-941
DOI: 10.30591/smartcomp.v15i4.10418 ↗Kurz gefasst
Fachartikel in der Zeitschrift Smart Comp :Jurnalnya Orang Pintar Komputer, online erschienen am 20.10.2026. Verfasst von Mohammad Farid Anshori und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
: Penyakit daun padi perlu dikenali sejak awal karena dapat mengganggu pertumbuhan tanaman dan menurunkan hasil produksi. Identifikasi manual melalui pengamatan visual masih memiliki keterbatasan karena bergantung pada pengalaman pengamat, bersifat subjektif, membutuhkan waktu, serta rentan terjadi kesalahan ketika beberapa penyakit memiliki ciri visual yang mirip. Kemiripan tersebut dapat terlihat pada Leaf Blast dan Leaf scald yang sama-sama menunjukkan perubahan warna serta area daun mengering, Sheath Blight dan Leaf Blast yang dapat menampilkan bercak atau lesi kecokelatan, serta Brown Spot dan Leaf scald yang memiliki pola bercak dan perubahan warna daun yang hampir serupa. Penelitian ini menggunakan arsitektur Convolutional Neural Network Kustom untuk mengklasifikasikan citra daun padi ke dalam enam kategori, yaitu Bacterial Leaf Blight, Brown Spot, Healthy Rice Leaf, Leaf Blast, Leaf scald, dan Sheath Blight. Data penelitian terdiri atas 3.829 citra daun padi yang diperoleh dari platform Kaggle. Proses penelitian meliputi pengumpulan data, preprocessing dan augmentasi data, pembagian dataset, perancangan arsitektur CNN Kustom, pelatihan model, serta evaluasi model menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 75%. Performa terbaik diperoleh pada kategori Healthy Rice Leaf dengan F1-score 0,94, sedangkan performa terendah terdapat pada kategori Leaf scald dengan F1-score 0,65. Hasil confusion matrix menunjukkan bahwa beberapa kesalahan prediksi terjadi pada kategori dengan ciri visual yang mirip, seperti Leaf Blast yang diprediksi sebagai Leaf scald, Sheath Blight yang diprediksi sebagai Leaf Blast, serta Brown Spot yang diprediksi sebagai Leaf scald. Kesalahan tersebut dipengaruhi oleh kemiripan bentuk bercak, perubahan warna cokelat kekuningan, area daun yang mengering, dan pola kerusakan memanjang. Hasil tersebut menunjukkan bahwa CNN Kustom mampu mengenali pola visual dasar pada citra daun padi, tetapi masih mengalami kesulitan pada penyakit dengan ciri visual serupa. Dengan demikian, CNN Kustom dapat digunakan sebagai model baseline dalam klasifikasi penyakit daun padi dan masih perlu dikembangkan untuk meningkatkan performa klasifikasi.
Zitieren
APA
Anshori, M. F., & Kurniawardhani, A. (2026). Penerapan CNN Kustom dalam Klasifikasi Penyakit Daun Padi Berdasarkan Citra Digital. Smart Comp :Jurnalnya Orang Pintar Komputer, 15(4), 928-941. https://doi.org/10.30591/smartcomp.v15i4.10418
Vancouver
Anshori MF, Kurniawardhani A. Penerapan CNN Kustom dalam Klasifikasi Penyakit Daun Padi Berdasarkan Citra Digital. Smart Comp :Jurnalnya Orang Pintar Komputer. 2026;15(4):928-941. doi:10.30591/smartcomp.v15i4.10418
BibTeX
@article{Anshori2026,
author = {Anshori, Mohammad Farid and Kurniawardhani, Arrie},
title = {Penerapan CNN Kustom dalam Klasifikasi Penyakit Daun Padi Berdasarkan Citra Digital},
journal = {Smart Comp :Jurnalnya Orang Pintar Komputer},
year = {2026},
volume = {15},
number = {4},
pages = {928--941},
doi = {10.30591/smartcomp.v15i4.10418}
}
EUVIMED