Deteksi Penyakit Daun Padi Menggunakan Deep Learning untuk mendukung Produktivitas dan Pertanian Berkelanjutan

Abstract

Padi merupakan komoditas pangan utama yang rentan terserang penyakit daun, seperti blas, hawar daun bakteri, dan tungro, yang dapat menurunkan produktivitas secara signifikan apabila tidak terdeteksi sejak dini. Penelitian ini bertujuan mengembangkan metode deteksi dini penyakit daun padi menggunakan pendekatan deep learning dengan arsitektur Convolutional Neural Network (CNN) berbasis VGG16. Data yang digunakan berasal dari Rice Leaf Dataset (Kaggle) dan citra lapangan di Kabupaten Pringsewu. Proses pelatihan dilakukan melalui transfer learning. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi 99,75% pada data latih, 96,08% pada data validasi, dan 100% pada data uji. Uji lapangan juga membuktikan kemampuan model dalam melakukan generalisasi terhadap kondisi nyata meskipun masih terdapat beberapa kasus dengan tingkat keyakinan prediksi yang berdekatan antar kelas. Temuan ini menegaskan bahwa CNN berbasis VGG16 efektif digunakan untuk deteksi penyakit daun padi secara akurat dan efisien. Penerapan model ini berpotensi mendukung pengambilan keputusan lebih cepat, mengurangi penggunaan pestisida, serta mendorong praktik pertanian berkelanjutan yang ramah lingkungan.