KLASIFIKASI PENYAKIT DAUN TANAMAN PADI MENGGUNAKAN ARSITEKTUR VGG-16

Penyakit pada tanaman padi, khususnya yang menyerang daun, merupakan salah satu faktor utama yang dapat menurunkan produktivitas dan kualitas hasil panen, serta memengaruhi ketahanan pangan dan kesejahteraan petani. Deteksi dini terhadap penyakit daun padi sangat diperlukan untuk mencegah kerusakan tanaman secara luas. Seiring perkembangan teknologi, metode deep learning berbasis citra digital menjadi solusi potensial dalam bidang pertanian presisi. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis penyakit daun padi menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-16. Data yang digunakan terdiri dari 2000 citra yang terbagi ke dalam empat kelas, yaitu brownspot, healthy, hispa, dan sheath blight. Proses pelatihan dan pengujian dilakukan melalui tiga skenario berbeda. Skenario A menggunakan data publik untuk pelatihan dan pengujian, skenario B menggunakan data publik untuk pelatihan dan data real untuk pengujian, sedangkan skenario C menggunakan data real untuk kedua proses tersebut. Tujuan dari perbedaan skenario ini adalah untuk mengetahui pengaruh jenis dan kualitas data terhadap performa model. Hasil penelitian menunjukkan bahwa skenario A-4 memperoleh performa terbaik dengan accuracy 87,50%, precision 90,28%, recall 89,37%, dan F1-Score 89,33%. Skenario B-3 mengalami penurunan performa signifikan saat diuji menggunakan data real, sementara skenario C-4 yang menggunakan data real menunjukkan performa lebih stabil meskipun masih di bawah skenario A-4. Hasil penelitian ini menunjukkan bahwa performa model CNN VGG-16 dalam klasifikasi penyakit daun padi sangat dipengaruhi oleh kualitas dan karakteristik data, yang berperan penting terhadap pencapaian nilai akurasi, presisi, recall, dan F1-Score.