Identifikasi Penyakit Daun pada Tanaman Solanaceae dan Rosaceae Menggunakan Deep Learning

Abstract

Dengan proyeksi populasi global sebesar 9,7 miliar pada tahun 2050, pertanian menghadapi tantangan signifikan dalam memastikan ketahanan pangan. Salah satu kendala utama adalah penyakit tanaman yang menurunkan hasil panen hingga 40% per tahun. Penelitian sebelumnya sering terbatas pada deteksi penyakit pada satu spesies tanaman, sehingga kurang mencerminkan kebutuhan multi-spesies dalam praktik pertanian nyata. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi penyakit tanaman berbasis deep learning menggunakan Convolutional Neural Networks (CNN) yang diterapkan pada dua famili tanaman, Solanaceae dan Rosaceae. Dataset yang digunakan adalah PlantVillage, berisi 54.306 citra daun dalam format JPEG yang diunduh dari GitHub, dengan data di luar dua famili tersebut dibuang selama pra-pemrosesan. Tiga model deep learning diuji: transfer learning dengan arsitektur InceptionV3 dan dua CNN kustom (DFE dan LCNN). Model LCNN menunjukkan kinerja terbaik dengan akurasi pelatihan, validasi, dan pengujian masing-masing sebesar 99%, 99%, dan 95%. Sebaliknya, InceptionV3 mencapai akurasi pelatihan 96%, validasi 98%, dan pengujian 92%, sedangkan DFE dengan 86% pelatihan, 94% validasi, dan 82% akurasi pengujian. Analisis confusion matrix menunjukkan kesulitan membedakan antara kentang sehat dan kentang dengan late blight, serta cedar apple rust. Hasil ini menyoroti pentingnya pengembangan arsitektur model spesifik dibandingkan model yang kompleks untuk deteksi penyakit multi-crop secara akurat.With a projected global population of 9.7 billion by 2050, agriculture faces significant challenges in ensuring food security. One major obstacle is plant diseases that reduce crop yields by 40% per year. Previous research is often limited to disease detection in a single plant species, thus poorly reflecting multi-species needs in real agricultural practices. This research aims to develop and evaluate deep learning-based plant disease detection system using Convolutional Neural Networks (CNN) applied to two plant families, Solanaceae and Rosaceae. The dataset used was PlantVillage, containing 54,306 leaf images in JPEG format downloaded from GitHub, with data outside two families discarded during pre-processing. Three deep learning models were tested: transfer learning with InceptionV3 architecture and two custom CNNs (DFE and LCNN). LCNN model showed the best performance with training, validation, and testing accuracies of 99%, 99%, and 95%, respectively. In contrast, InceptionV3 achieved 96% training, 98% validation, and 92% testing accuracy, while DFE with 86% training, 94% validation, and 82% testing accuracy. Confusion matrix analysis showed difficulty distinguishing between healthy potatoes and potatoes with late blight, as well as cedar apple rust. These results highlights importance of developing specific model architectures rather than complex models for accurate multi-crop disease detection.