<![CDATA[Padi merupakan komoditas pangan utama yang sangat penting bagi ketahanan pangan di Indonesia. Namun, serangan penyakit pada daun padi seperti Tungro, Blast, dan Blight dapat mengancam produktivitas secara signifikan. Identifikasi penyakit secara manual cenderung tidak efisien dan rentan terhadap kesalahan, sehingga diperlukan solusi berbasis teknologi untuk deteksi yang cepat dan akurat. Penelitian ini mengembangkan sistem deteksi penyakit daun padi menggunakan metode deep learning dengan arsitektur Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 4.684 citra daun padi yang telah diklasifikasikan ke dalam tiga kategori penyakit. Proses preprocessing mencakup normalisasi citra, konversi warna, dan penyesuaian dimensi input. Arsitektur CNN yang digunakan mencakup tiga lapisan konvolusi dengan aktivasi ReLU, dua lapisan pooling, satu lapisan dense dengan dropout, dan satu output layer dengan aktivasi softmax untuk klasifikasi multikelas. Hasil evaluasi menunjukkan akurasi hingga 99,57% dengan F1-score, precision, dan recall yang konsisten di atas 95% pada semua kelas. Konvergensi model stabil dan tidak menunjukkan gejala overfitting. Dengan hasil tersebut, sistem ini terbukti efektif dan dapat diandalkan sebagai alat bantu diagnosis penyakit daun padi secara otomatis. Implementasi teknologi ini diharapkan dapat meningkatkan efisiensi deteksi dini penyakit dan membantu petani dalam pengambilan keputusan, sehingga mendukung praktik pertanian presisi yang berkelanjutan di Indonesia. Kata kunci: deteksi penyakit, daun padi, deep learning, CNN, klasifikasi citra]]>
Copyrights © 2025
