Identifikasi Penyakit Bercak Daun Kelapa Sawit Menggunakan Algoritma CNN dengan Arsitektur VGG19 Berbasis Citra Digital
DOI:
https://doi.org/10.70609/jusifor.v4i2.8391Kata Kunci:
Convolutional Neural Network (CNN), VGG19, Penyakit Daun Kelapa Sawit, Klasifikasi Citra, Sistem Deteksi DiniAbstrak
Penelitian ini bertujuan untuk mengembangkan sistem identifikasi penyakit bercak daun pada tanaman kelapa sawit berbasis citra digital dengan memanfaatkan algoritma CNN (Convolutional Neural Network) menggunakan arsitektur VGG19. Dataset yang digunakan terdiri atas 330 citra daun kelapa sawit primer yang dikategorikan ke dalam tiga kelas, yaitu daun terinfeksi karat daun, daun sehat, dan daun terinfeksi curvularia dengan proporsi pembagian dataset menjadi 64% data latih, 16% data validasi, dan 20% data uji. Proses pengembangan sistem meliputi tahap preprocessing, augmentasi data, split data, pelatihan model dengan arsitektur VGG19 dan evaluasi model. Hasil pelatihan model sebanyak 200 epoch menunjukkan akurasi sebesar 0,93 pada data latih dan 0,98 pada data validasi. Kemudian evaluasi model terhadap data uji menghasilkan nilai precision, recall, dan F1-score masing-masing sebesar 0,94, 0,81, dan 0,87 untuk kelas “Karat Daun”, 0,84, 0,95, dan 0,89 untuk kelas “Daun Sehat”, serta 1,00 untuk kelas “Curvularia”. Hasil pengujian menunjukkan performa yang konsisten, sehingga sistem usulan dinilai efektif dalam melakukan klasifikasi penyakit bercak daun kelapa sawit. Sistem usulan yang dikembangkan berpotensi digunakan sebagai alat bantu deteksi dini penyakit bercak daun guna mendukung peningkatan produktivitas tanaman kelapa sawit.
Referensi
[1] M. H. As-Siddiqi, K. Auliasari, and R. Primaswara Prasetya, “PEMBANGUNAN SISTEM REKOMENDASI JENIS PUPUK PADA TANAMAN SAWIT MENGGUNAKAN METODE AHP (Analytical Hierarchy Process),” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 957–964, 2023, doi: 10.36040/jati.v6i2.5407.
[2] R. Utami, E. I. K. Putri, and M. Ekayani, “Dampak Ekonomi dan Lingkungan Ekspansi Perkebunan Kelapa Sawit (Studi Kasus: Desa Penyabungan, Kecamatan Merlung, Kabupaten Tanjung Jabung Barat, Jambi),” J. Ilmu Pertan. Indones., vol. 22, no. 2 SE-Articles, pp. 115–126, doi: 10.18343/jipi.22.2.115.
[3] Muhammad Riyan Hidayah, “Dampak Perkebunan Kelapa Sawit terhadap Lingkungan:Menyeimbangkan Risiko Ekologis dengan Keuntungan Ekonomi,” Globe Publ. Ilmu Tek. Teknol. Kebumian, Ilmu Perkapalan, vol. 3, no. 1 SE-Articles, pp. 90–94, Feb. 2025, doi: 10.61132/globe.v3i1.763.
[4] N. T. M. A. Mardia, H. Wirianata, and B. Yuniasih, “Pengaruh Curah Hujan terhadap Produktivitas Kelapa Sawit,” AGROFORETECH, vol. 3, no. 3 SE-Agroteknologi, pp. 1711–1724, Sep. 2025, [Online]. Available: https://jurnal.instiperjogja.ac.id/index.php/JOM/article/view/2261
[5] D. Saputra, B. Yuniasih, and N. M. Titiaryanti, “Pengaruh Kerapatan Nephrolepis biserrata terhadap Kondisi Iklim Mikro di Kebun Kelapa Sawit,” AGROFORETECH, vol. 1, no. 2 SE-Agroteknologi, pp. 940–945, Jun. 2023, [Online]. Available: https://jurnal.instiperjogja.ac.id/index.php/JOM/article/view/642
[6] I. I. Sihombing and M. M. SP, SUMBER DAYA LAHAN DI PERKEBUNAN KELAPA SAWIT. PENERBIT KBM INDONESIA, 2025.
[7] F. B. Laksono, “Deteksi penyakit tanaman dengan convolution neural network: Kombinasi arsitektur VGG16 dan ResNet34 untuk klasifikasi daun,” J. Komput. Dan Teknol. Inf., vol. 2, no. 2, pp. 72–79, 2024, doi: 10.26714/jkti.v2i2.13932.
[8] E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN),” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 117–123, 2020, doi: 10.31294/p.v22i2.8907.
[9] A. Susanto, A. E. Prasetyo, H. Priwiratama, and M. Syarovi, “Laju Fotosintesis pada Tanaman Kelapa Sawit Terinfeksi Karat daun Cephaleuros virescen,” J. Fitopatol. Indones., vol. 16, no. 1 SE-Articles, pp. 21–29, doi: 10.14692/jfi.16.1.21-29.
[10] A. V. Febriani and R. S. Kasiamdari, “Identification of Curvularia eragrostidis (Henn.) J.A.Mey. the Leaf Spot Pathogen of Oil Palm (Elaeis guineensis Jacq.) and It’s Control by False Elder (Peronema canescens Jack) Leaf Extract,” Int. J. Oil Palm, vol. 6, no. 2 SE-Articles, pp. 25–34, May 2024, doi: 10.35876/ijop.v6i2.111.
[11] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv Prepr. arXiv1409.1556, 2014, doi: 10.48550/arXiv.1409.1556.
[12] W. Styorini, W. E. Putra, W. Khabzli, and Y. Triyani, “Penerapan Deep Learning Pada Jenis Penyakit Tanaman Kelapa Sawit Menggunakan Algoritma Convolutional Neural Network,” J. Komput. Terap., vol. 8, no. 2, pp. 359–367, 2022, doi: 10.35143/jkt.v8i2.5522.
[13] M. U. Hossain, M. A. Rahman, M. M. Islam, A. Akhter, M. A. Uddin, and B. K. Paul, “Automatic driver distraction detection using deep convolutional neural networks,” Intell. Syst. with Appl., vol. 14, p. 200075, 2022, doi: 10.1016/j.iswa.2022.200075.
[14] Y. A. Nizamli and A. Y. Filatov, “Improving transfer learning performance for abnormality detection in brain MRI images using feature optimization techniques,” in 2024 XXVII International Conference on Soft Computing and Measurements (SCM), IEEE, 2024, pp. 432–435. doi: 10.1109/SCM62608.2024.10554161.
[15] Y. Ren, C. Zhu, and S. Xiao, “Small Object Detection in Optical Remote Sensing Images via Modified Faster R-CNN,” 2018. doi: 10.3390/app8050813.
[16] I. Ahmad, J. Rashid, M. Faheem, A. Akram, N. A. Khan, and R. ul Amin, “Autism spectrum disorder detection using facial images: A performance comparison of pretrained convolutional neural networks,” Healthc. Technol. Lett., vol. 11, no. 4, pp. 227–239, 2024, doi: 10.1049/htl2.12073.
[17] S. R. Dubey, S. K. Singh, and B. B. Chaudhuri, “Activation functions in deep learning: A comprehensive survey and benchmark,” Neurocomputing, vol. 503, pp. 92–108, 2022, doi: 10.1016/j.neucom.2022.06.111.
[18] M. F. Gunardi, “Implementasi Augmentasi Citra pada Suatu Dataset,” J. Inform., vol. 9, no. 1, pp. 1–5, 2023.
[19] J. R. A. Purba, I. Subandar, and U. AR, “Analisis Infeksi Karat Daun (Cephaleuros vircens) pada Tanaman Kelapa Sawit ( Elaeis guineensis jacq) di Perkebunan Jaya Seujahtera Afdeling III PT. ASN,” Biofarm J. Ilm. Pertan., vol. 18, no. 2, p. 96, 2022, doi: 10.31941/biofarm.v18i2.2299.
[20] F. N. Cahya, “Perbandingan Identifikasi Wajah Dengan Ekstraksi Fitur Haralick Dan CNN,” Informatics Digit. Expert, vol. 2, no. 2, pp. 60–66, 2021, doi: 10.36423/index.v2i02.594.
[21] F. Felix, S. Faisal, T. F. M. Butarbutar, and P. Sirait, “Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun,” J. SIFO Mikroskil, vol. 20, no. 2, pp. 117–134, 2019, doi: 10.55601/jsm.v20i2.670.
[22] M. I. Syahputra and A. T. Wibowo, “Klasifikasi Genus Tanaman Anggrek berdasarkan Citra Kuntum Bunga Menggunakan Metode Convolutional Neural Network (CNN),” e-Proceeding Eng., vol. 7, no. 2, pp. 8015–8023, 2020.
[23] N. T. Yildiz, H. Kocaman, H. Yildirim, and M. Canli, “An investigation of machine learning algorithms for prediction of temporomandibular disorders by using clinical parameters,” Med. (United States), vol. 103, no. 41, p. e39912, 2024, doi: 10.1097/MD.0000000000039912.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Arif Fadllullah, Sri Erdina
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
