<![CDATA[Penyakit daun pisang merupakan salah satu faktor utama yang menyebabkan penurunan kualitas dan kuantitas hasil panen, sehingga diperlukan metode deteksi yang cepat dan akurat untuk mendukung penanganan dini. Identifikasi penyakit secara konvensional masih bergantung pada pengamatan visual oleh pakar, yang bersifat subjektif, memerlukan waktu, dan sulit diterapkan secara luas. Penelitian ini bertujuan untuk menerapkan metode Radial Basis Function Neural Network (RBFNN) dalam mengklasifikasikan penyakit daun pisang berbasis citra digital serta mengembangkan aplikasi berbasis web sebagai alat bantu identifikasi bagi pengguna. Dataset yang digunakan berupa citra daun pisang yang terdiri atas beberapa kelas, yaitu daun sehat dan beberapa jenis penyakit daun seperti Sigatoka, Pestalotiopsis, dan Cordana. Tahapan penelitian meliputi pengumpulan data, praproses citra (resize dan normalisasi), ekstraksi fitur, pembagian data latih dan data uji, pelatihan model RBFNN, serta evaluasi kinerja sistem. Pengembangan perangkat lunak dilakukan menggunakan model Software Development Life Cycle (SDLC) Waterfall, sedangkan sistem diimplementasikan dalam bentuk aplikasi web menggunakan framework Flask. Kinerja model dievaluasi menggunakan confusion matrix dengan metrik akurasi, presisi, dan recall untuk menilai kemampuan klasifikasi pada setiap kelas penyakit. Hasil pengujian menunjukkan bahwa metode RBFNN mampu mengklasifikasikan penyakit daun pisang dengan tingkat akurasi yang baik dan proses komputasi yang relatif cepat, sehingga layak digunakan sebagai sistem pendukung keputusan dalam bidang pertanian. Dengan adanya sistem ini, diharapkan petani dan pihak terkait dapat melakukan identifikasi penyakit daun pisang secara lebih dini dan akurat, sehingga dapat mengurangi risiko kerugian akibat keterlambatan penanganan dan meningkatkan produktivitas pertanian.]]>
