Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
Muhamad Fuat Asnawi
Universitas Sains Al-Qur'an
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KLASIFIKASI PENYAKIT DAN KONDISI KESEHATAN TANAMAN CABAI BERBASIS DEEP LEARNING SEBAGAI PENDUKUNG SMART NURSERY PERTANIAN BERKELANJUTAN Titan Attariq Al Fatah; Muhamad Fuat Asnawi; Restu Rahma Riandhita; Panggah Dwi Santoso; Zayyana Maulida; Riskha Suheila Kirmalani; Nurrohmat Furkon; Ahmad Latif Hendrawan; Aurielia Chandra Febrina; Gennaro Wibisana; Febri Dwi Saputra; Rafif Phalosa; Muhammad Irvan Asy'ari; Syahrul Maulana Rozaki; Dzidni Imron Fadhilah; Muhammad Nabil Al Faqih
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.9469

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan komoditas hortikultura bernilai ekonomi tinggi yang memerlukan pemantauan kesehatan tanaman secara cepat dan akurat sejak tahap pembibitan. Proses identifikasi penyakit dan kondisi tanaman yang masih dilakukan secara manual memiliki keterbatasan karena bergantung pada pengalaman petani dan berpotensi menyebabkan keterlambatan pengendalian. Penelitian ini bertujuan mengembangkan model klasifikasi kondisi kesehatan tanaman cabai berbasis deep learning sebagai pendukung sistem smart nursery pertanian berkelanjutan. Metode penelitian dilakukan melalui tahapan pengumpulan dataset citra daun cabai, preprocessing, augmentasi data, pembangunan model, pelatihan, pengujian, dan evaluasi performa. Dataset terdiri dari lima kategori kondisi tanaman, yaitu healthy, leaf curl, leaf spot, whitefly, dan yellowish, dengan total 500 citra yang dibagi menjadi data pelatihan, validasi, dan pengujian. Tiga model dibandingkan, yaitu Convolutional Neural Network (CNN), MobileNetV3Small, dan EfficientNet-B0 menggunakan parameter evaluasi accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa MobileNetV3Small memberikan performa terbaik dengan akurasi 88%, precision 0,91, recall 0,88, dan F1-score 0,88, serta memiliki jumlah parameter paling rendah dibandingkan model lainnya. Model tersebut berpotensi diterapkan pada sistem smart nursery berbasis kamera dan perangkat komputasi terbatas untuk mendukung deteksi dini kesehatan bibit cabai secara cepat, objektif, dan berkelanjutan.
Co-Authors Ahmad Latif Hendrawan Aurielia Chandra Febrina Dzidni Imron Fadhilah Febri Dwi Saputra Gennaro Wibisana Muhammad Irvan Asy'ari Muhammad Nabil Al Faqih Nurrohmat Furkon Panggah Dwi Santoso Rafif Phalosa Restu Rahma Riandhita Riskha Suheila Kirmalani Syahrul Maulana Rozaki Titan Attariq Al Fatah Zayyana Maulida