Penerapan Metode CNN Dalam Mengklasifikasi Jenis Penyakit Pada Daun Mangga Menggunakan Arsitektur InceptionV3
Main Article Content
Fiktor I. Tanesab
Cornelis Yudhistira Laatrehe
Morelo Alberto Wuarlela
Penelitian ini bertujuan mengembangkan sistem klasifikasi penyakit pada daun mangga (Mangifera indica L.) menggunakan arsitektur Convolutional Neural Network (CNN) Inception V3. Dataset terdiri atas 4.000 citra daun mangga yang terbagi dalam delapan kelas penyakit (Antraknosa, Kanker Bakteri, Cutting Weevil, Die Back, Gall Midge, Sooty Mould, Embun Tepung) dan satu kelas sehat. Data dibagi menjadi subset pelatihan (70 %), validasi (15 %), dan pengujian (15 %). Proses preprocessing meliputi normalisasi piksel ke rentang [0,1] serta augmentasi data (rotasi, shear, zoom, dan horizontal flip). Model Inception V3 diimplementasikan dengan transfer learning, dimana lapisan awal dibekukan dan lapisan akhir di-fine-tune, dengan optimasi menggunakan Adam dan categorical_crossentropy. Hasil evaluasi pada data pengujian menunjukkan akurasi sebesar 99.34%, precision rata-rata 99.35%, recall rata-rata 99.33%, dan F1-score rata-rata 99.34%. Temuan ini mengindikasikan bahwa CNN Inception V3 sangat efektif untuk mendeteksi berbagai jenis penyakit pada daun mangga. Disarankan dilakukan pengujian lebih lanjut menggunakan arsitektur lain seperti ResNet atau Efficient Net, serta pengembangan implementasi dalam bentuk aplikasi mobile/web untuk mendukung deteksi penyakit secara praktis di lapangan.
[1]. Ibtihal Hidayah, Yulhendri , Nora Susanti, “Peran Sektor Pertanian dalam Perekonomian Negara Maju dan Negara Berkembang : Sebuah Kajian Literatur” Jurnal Silangkah Nagari, Vol. 1 No. 1, 2022.
https://doi.org/10.24036/jsn.v1i1.9
[2]. Ismi Octaviani, Silvi Ikawati, “Inventarisasi Hama dan Musuh Alami pada Tanaman Padi di Kecamatan Pulau Laut Timur”, Jurnal Pertanian Terpadu, vol. 1, No 24-36, Juni 2022.
https://doi.org/10.36084/jpt..v10i1.379
[3]. Girsang.S.S. Namsen, “Dampak Eksplosive Organisme Pengganggu Tanaman(Opt) Terhadap Produksi Lada Dan Upaya Pengendaliannya”
https://balaimedan.ditjenbun.pertanian.go.id/dampak-eksplosive-organisme-pengganggu-tanamanopt-terhadap-produksi-lada-dan-upaya-pengendaliannya/. Diakses pada 17 Juli 2025.
[4]. R Yoga Oktavianto , Sunaryo, dan Agus Suryanto “Characterization Of Plant Mango (Mangifera Indica L.) Cantek, Ireng, Empok, Jempol In Tiron Suburb, Banyakan District, Kediri”, Jurnal Produksi Tanaman, Volume 3, Nomor 2, hlm. 91 - 97, Maret 2015.
DOI: 10.21176/protan.v3i2.174
[5]. Asri Syifa’ Ulimafissudur1 , Fauzah Lathifah Abdurrahman, “Mango Pudding (Mangifera indica fruit pudding) sebagai Alternatif Pereda Nyeri pada Dismenore Remaja”, Jurnal Gizi dan Kesehatan (JGK), Volume 4 No.1, hlm. 43 - 50, Juni 2024.
DOI : 10.36086/jgk.v3i2
[6]. Chirag Chandrashekar1 , K. P. Vijayakumar, K. Pradeep1, A. Balasundaram, “MDCN: Modified Dense Convolution Network Based Disease Classification in Mango Leaves”, Tech Science Press, vol.78, no.2, hlm. 2512 - 2533, 2024.
DOI: 10.32604/cmc.2024.047697
[7]. Asep Zainal Mutaqin, Ruly Budiono, Tia Setiawati, Mohamad Nurzaman, Radewi Safira Fauzia, “Studi Anatomi Stomata Daun Mangga (Mangifera indica) Berdasarkan Perbedaan Lingkungan”, Jurnal Biodjati, Vol. 1, No. 1, hlm. 13-18, November 2016.
DOI: 10.15575/biodjati.v1i1.1009
[8]. Fitrianingsih, Rodiah, “Klasifikasi Jenis Citra Daun Mangga Menggunakan Convolutional Neural Network” Jurnal Ilmiah Teknologi dan Rekayasa, Vol. 25 No. 3 Desember 2020.
https://doi.org/10.35760/tr.2020.v25i3.3519
[9]. Sunayana Arya, Rajeev Singh, “A Comparative Study of CNN and AlexNet for Detection of Disease in Potato and Mango Leaf” International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT), September 2019.
DOI: 10.1109/ICICT46931.2019.8977648
[10]. Waseem Rawat, Zenghui Wang, “Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review”, Neural Computation, Vol. 29, Hlm. 2352–2449, 2017.
DOI:10.1162/NECO_a_00990
[11]. Andi Nurdin, Dhian Satria Yudha Kartika, Abdul Rezha Efrat Najaf, “Klasifikasi Penyakit Daun Tomat Dengan Metode Convolutional Neural Network Menggunakan Arsitektur Inception-V3”, Jurnal Ilmiah Informatika (JIF), Vol. 12, No. 02, 2024.
DOI: https://doi.org/10.33884/jif.v12i02.9162
[12]. Muhammad Izra Primananda, Mutaqin Akbar, “Klasifikasi Bawang Merah Asli dan Palsu Menggunakan Convolutional Neural Network”, Riset dan E-Jurnal Manajemen Informatika Komputer, Volume 8, Nomor 3, Agustus 2024.
http://doi.org/10.33395/remik.v8i3.13994
[13]. Febian Fitra Maulana, Naim Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network”, Journal of Informatics and Computer Science (JINACS) Volume 01, Nomor 02, 2019.
DOI: https://doi.org/10.26740/jinacs.v1n02.p104-108
[14]. Ganis Sanhaji, Decky Putra Kurnia, Vito Dwi Nur Hidayat, “Implementasi Algoritma Convolutional Neural Network Untuk Klasifikasi Dan Deteksi Tumor Otak”, Jurnal Tekno Kompak, Vol. 19, No. 2, April 2025.
DOI: https://doi.org/10.33365/jtk.v19i2.68
[15]. Ken Ratri Retno Wardani, Laurentius Leonardi, “Klasifikasi Penyakit pada Daun Anggur menggunakan Metode Convolutional Neural Network”, Jurnal Tekno Insentif, Vol. 17, No. 2, Oktober 2023.
DOI : https://doi.org/10.36787/jti.v17i2.1130
[16]. Afifah Inas Hanifah, Arief Hermawan, “Klasifikasi Kematangan Pisang Menggunakan Metode Convolutional Neural Network”, Jurnal Sistem Komputer, Volume 12, Nomor 2, Oktober 2023.
DOI: 10.34010/komputika.v12i2.9999
[17]. Roni Halim Saputra, Rito Cipta Sigitta Hariyono, Fathulloh, “Deteksi Penyakit Tomat Melalui Citra Daun menggunakan Metode Convolutional Neural Network”, Aviation Electronics, Information Technology, Telecommunications, Electricals, Controls (AVITEC), Vol. 5, No. 1, February 2023.
http://dx.doi.org/10.28989/avitec.v5i1.1404
[18]. Fiktor Imanuel Tanesab, Irwan Sembiring, Hindriyanto Dwi Purnomo, “Sentiment Analysis Model Based On Youtube Comment Using Support Vector Machine”, International Journal of Computer Science and Software Engineering (IJCSSE), Volume 6, Issue 8, August 2017.
