Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Ramdhan, Nur
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Klasifikasi penyakit daun tanaman cabai menggunakan convolutional neural network (CNN) arvianne, charladinna; Saeful, Otong; Ramdhan, Nur
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.5328

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan salah satu komoditas hortikultura penting di Indonesia yang memiliki nilai ekonomi tinggi. Namun, produktivitas tanaman cabai sering mengalami penurunan akibat serangan penyakit daun seperti Bacterial Spot, Cercospora Leaf Spot, Curl Virus, Nutrition Deficiency, dan White Spot. Proses identifikasi penyakit secara manual masih memiliki keterbatasan karena bergantung pada pengalaman pakar, membutuhkan waktu yang relatif lama, serta berpotensi menimbulkan kesalahan subjektif. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun cabai secara otomatis menggunakan metode Convolutional Neural Network (CNN) berbasis citra digital. Dataset yang digunakan berupa citra daun cabai berformat RGB yang diperoleh dari sumber publik dan terdiri dari enam kelas, yaitu lima kelas penyakit dan satu kelas daun sehat. Tahapan preprocessing meliputi resizing, normalisasi, dan augmentasi data untuk meningkatkan ketahanan model terhadap variasi kondisi lapangan. Arsitektur CNN dirancang menggunakan beberapa lapisan konvolusi dan max pooling yang diikuti oleh fully connected layer dengan fungsi aktivasi softmax. Proses pelatihan model dilakukan menggunakan optimizer Adam dan fungsi loss categorical cross-entropy. Hasil pengujian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi klasifikasi sebesar 95%, dengan nilai precision, recall, dan F1-score yang tinggi pada sebagian besar kelas. Dengan demikian, model ini berpotensi diterapkan pada aplikasi berbasis mobile sebagai sistem deteksi dini penyakit daun cabai guna meningkatkan efisiensi dan produktivitas pertanian.
Co-Authors arvianne, charladinna Saeful, Otong