Klasifikasi Jenis Penyakit Tomat Berdasarkan Daun Menggunakan Convolutional Neural Network dan Transfer Learning

Abstract

Penyakit pada tanaman tomat (Solanum lycopersicum) menjadi salah satu faktor utama penyebab penurunan kualitas dan kuantitas produksi. Deteksi dini penyakit secara manual memerlukan waktu yang cukup lama dan berpotensi menghasilkan kesalahan identifikasi. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit daun tomat berbasis citra digital menggunakan arsitektur Convolutional Neural Network (CNN) VGG-16 dengan pendekatan transfer learning. Dataset yang digunakan terdiri dari 3.803 citra daun tomat yang mencakup sembilan kelas kondisi, diperoleh melalui platform Kaggle. Tahapan penelitian meliputi preprocessing (pembagian data, augmentasi, normalisasi, dan one-hot encoding), pelatihan model melalui pengujian 27 kombinasi hyperparameter (3 optimizer × 3 learning rate × 3 epoch), serta evaluasi menggunakan confusion matrix dan classification report. Hasil terbaik diperoleh pada konfigurasi optimizer SGD, learning rate 0,1, dan epoch 50, dengan nilai akurasi 81%, F1-Score 82%, recall 81%, dan precision 83%. Hasil tersebut menunjukkan bahwa CNN VGG-16 berbasis transfer learning merupakan pendekatan yang efektif dalam mendukung deteksi dini penyakit pada tanaman tomat.