<![CDATA[Perkembangan teknologi kecerdasan buatan dan penerapan Deep Learning telah memberikan kemudahan dalam identifikasi objek dengan bantuan mesin. Salah satu pendekatan dalam Deep Learning, yaitu Convolutional Neural Network (CNN), memiliki potensi besar untuk diterapkan di sektor pertanian, khususnya dalam pengelolaan penyakit dan hama pada tanaman. Komoditas vanili pada tahun 2022 mengalami peningkatan permintaan global yang signifikan, namun ekspor vanili Indonesia hanya memenuhi 2,63% dari total ekspor dunia. Salah satu penyebab utama rendahnya ketersediaan vanili adalah serangan penyakit dan hama yang menghambat pertumbuhannya. Penelitian ini bertujuan untuk mengeksplorasi penerapan CNN dalam mengidentifikasi penyakit pada tanaman vanili, yaitu Sclerotium, Fusarium, dan Colletotrichum. Metode yang digunakan adalah pelatihan model CNN untuk mengenali gambar tanaman yang sehat dan yang terinfeksi penyakit. Hasil penelitian menunjukkan bahwa model CNN berhasil mengidentifikasi penyakit dengan akurasi keseluruhan sebesar 71%, mencakup tanaman sehat dan yang terinfeksi penyakit. Temuan ini menunjukkan bahwa teknologi CNN dapat menjadi alat yang efektif dalam mendukung deteksi dini penyakit dan pengelolaan tanaman vanili, serta berpotensi meningkatkan produksi komoditas vanili di Indonesia. Abstract The development of artificial intelligence technology and the application of Deep Learning have made object identification easier with machine assistance. One of the approaches in Deep Learning, namely Convolutional Neural Networks (CNN), holds great potential for application in the agricultural sector, particularly in the management of diseases and pests in plants. In 2022, the global demand for vanilla significantly increased, but Indonesia's vanilla exports only accounted for 2.63% of the world's total vanilla exports. One of the main factors behind the low availability of vanilla is the attack of diseases and pests that hinder its growth. This study aims to explore the application of CNN in identifying diseases in vanilla plants, namely Sclerotium, Fusarium, and Colletotrichum. The method used involves training a CNN model to recognize images of healthy plants and those infected with diseases. The results show that the CNN model successfully identified diseases with an overall accuracy of 71%, including both healthy plants and those affected by disease. These findings suggest that CNN technology can be an effective tool in supporting early disease detection and the management of vanilla plants, with the potential to increase vanilla production in Indonesia.]]>
