JBASE - Journal of Business and Audit Information Systems

Serangan hama dan penyakit merupakan salah satu faktor yang berkontribusi pada kegagalan panen.  Pada umumnya, para petani akan menggunakan pestisida dan beberapa kompetitor alami untuk membasmi hama dan penyakit pada tanaman. Analisis terhadap daun sedini mungkin dapat mencegah potensi gagal panen. Identifikasi daun yang terdeteksi sebagai daun yang sehat atau terkena penyakit dapat dilakukan dengan kecerdasan buatan (Artificial Intelligence) dengan menggunakan teknik deep learning. Convolutional Neural Network (CNN) merupakan arsitektur deep learning yang efektif digunakan dalam berbagai aplikasi pengolahan citra. Penelitian ini bertujuan untuk mengevaluasi performa arsitektur deep learning pada beberapa algoritma CNN. Citra akan melalui proses data augmentation berupa rescale, shear, zoom, dan resizing. Dataset diklasifikasikan kedalam tiga kategori yaitu training, testing, dan validation dimana didalam nya memiliki dua kategori yaitu daun sehat dan daun terkena penyakit. Total sampel gambar daun terkena penyakit ada sebanyak 43.019 dan 10.284 sampel gambar daun sehat. Model CNN yang akan di uji adalah ResNet50, DenseNet121, MobileNet, VGG19, dan Xception dimana model CNN tersebut akan menggunakan library Keras dari modul TensorFlow V2.16.1. Dari hasil pengujian sampel yang dilakukan didapatkan hasil model terbaik adalah Xception, DenseNet121 dan ResNet50.