Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Insect (Informatics and Security) : Jurnal Teknik Informatika
Muflich, Alwie
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Engineering

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

Found 1 Documents
Search

 1 
Identifikasi Penyakit Daun Pisang Berbasis Citra Warna dengan Ekstraksi ResNet50 dan Support Vector Machine Muflich, Alwie; Kusrini, Kusrini
Insect (Informatics and Security): Jurnal Teknik Informatika Vol. 12 No. 01 (2026): Maret 2026
Publisher : Universitas Muhammadiyah Sorong

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33506/insect.v12i01.5460

Abstract

Penyakit daun pisang merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas tanaman pisang. Identifikasi penyakit secara manual masih memiliki keterbatasan karena bersifat subjektif, membutuhkan keahlian khusus, dan kurang efisien pada skala besar. Oleh karena itu, penelitian ini mengusulkan sistem identifikasi penyakit daun pisang berbasis citra warna dengan pendekatan ekstraksi fitur menggunakan Convolutional Neural Network (CNN) berbasis ResNet50 dan klasifikasi menggunakan Support Vector Machine (SVM). Dataset yang digunakan terdiri dari empat kelas, yaitu daun sehat, Sigatoka, layu Fusarium, dan bercak Cordana, dengan pembagian data training 70%, validasi 15%, dan testing 15%. Tahapan penelitian meliputi pra-pemrosesan citra, augmentasi data, ekstraksi fitur menggunakan CNN, serta klasifikasi menggunakan SVM dengan beberapa variasi kernel. Selain itu, dilakukan analisis perbandingan ruang warna RGB dan HSV untuk mengetahui representasi warna yang paling efektif dalam mendukung proses klasifikasi. Hasil penelitian menunjukkan bahwa kombinasi CNN dan SVM kernel RBF memberikan akurasi validasi sebesar 99,52% dan akurasi testing sebesar 99,04%, serta nilai precision, recall, dan F1-score yang seimbang. Analisis fitur warna menunjukkan bahwa ruang warna HSV lebih stabil terhadap variasi pencahayaan, namun kombinasi RGB dan HSV mampu memberikan representasi warna yang lebih lengkap. Hasil penelitian ini menunjukkan bahwa metode CNN–SVM efektif dalam mengidentifikasi penyakit daun pisang secara akurat dan berpotensi diterapkan pada sistem deteksi dini berbasis kecerdasan buatan di bidang pertanian.
Co-Authors Kusrini, Kusrini