<![CDATA[Deteksi dini penyakit pada tanaman buah sangat penting untuk menjaga produktivitas dan mutu hortikultura. Keterlambatan mengenali gejala dapat menimbulkan kerugian signifikan, baik dari sisi panen maupun ekonomi petani. Kemajuan machine learning (ML) dan deep learning (DL) menawarkan solusi inovatif melalui diagnosis otomatis berbasis citra daun. Penelitian ini meninjau literatur secara sistematis menggunakan kerangka PRISMA untuk mengkaji dataset, performa model, keterbatasan, tren algoritma, serta arah penelitian selanjutnya. Dari 176 artikel, 50 lolos seleksi, dengan 35 fokus pada penyakit tanaman buah. Hasil kajian menunjukkan bahwa Convolutional Neural Network (CNN) dan variasinya masih mendominasi lebih dari 75% studi. Akurasi model sangat tinggi pada dataset laboratorium (95–99%), menurun pada data lapangan (in-the-wild) seperti PlantDoc (90–96%). PlantVillage tetap menjadi dataset utama, meski uji generalisasi menuntut data lapangan yang lebih beragam. Tantangan meliputi domain shift, class imbalance, keterbatasan label tingkat severitas, serta kendala implementasi di perangkat edge. Kontribusi ilmiah kajian ini berupa rekomendasi riset masa depan diarahkan pada pengembangan dataset lapangan standar, integrasi hybrid CNN–GCN, domain adaptation, data sintetik, segmentasi untuk estimasi severitas, serta Edge AI yang real-time dan dapat dijelaskan (explainable AI). Kajian ini menekankan pentingnya inovasi algoritmik, dataset realistis, dan integrasi IoT/edge untuk sistem diagnosis yang akurat, adaptif, dan berkelanjutan.]]>
Copyrights © 2025
