<![CDATA[Produktivitas tanaman jagung dapat menurun secara signifikan akibat serangan penyakit pada daun yang sering kali tidak terdeteksi secara dini oleh para petani. Deteksi manual yang bergantung pada pengalaman subjektif petani memiliki keterbatasan dalam akurasi dan efisiensi, sehingga diperlukan solusi berbasis teknologi untuk mendukung praktik pertanian presisi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun jagung dengan menggunakan pendekatan Transfer Learning berbasis arsitektur DenseNet-201. Dataset yang digunakan terdiri dari gambar daun jagung yang terbagi dalam beberapa kategori, termasuk daun sehat dan daun yang terinfeksi penyakit seperti blight, rust, dan gray leaf spot. Untuk meningkatkan performa model dan mengurangi risiko overfitting, dilakukan teknik augmentasi data seperti rotasi, flipping, dan zooming. Proses pelatihan model dilakukan dengan pembagian data ke dalam set pelatihan dan pengujian. Hasil evaluasi menunjukkan bahwa model DenseNet-201 berhasil mencapai akurasi sebesar 96,65% pada data uji, serta menunjukkan keunggulan dalam hal efisiensi komputasi dan kemampuan generalisasi dibandingkan dengan arsitektur lain yang lebih dangkal. Dengan hasil tersebut, penelitian ini membuktikan bahwa DenseNet-201 merupakan solusi efektif untuk deteksi penyakit daun jagung secara cepat dan akurat, sehingga dapat diintegrasikan ke dalam sistem pendukung pengambilan keputusan di bidang pertanian modern]]>
Copyrights © 2025
