Implementasi Metode Faster R-CNN Untuk Deteksi Penyakit Tanaman Mentimun Melalui Citra Daun

Mahendra, Rizqi Maulana
Widyadara, Made Ayu Dusea
Swanjaya, Daniel

Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Vol. 9 No. 1 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025

Mentimun (Cucumis Sativus) merupakan salah satu tanaman hortikultura penting di Indonesia dengan nilai ekonomi tinggi, namun rentan terhadap serangan hama dan penyakit yang dapat menurunkan kualitas dan kuantitas hasil panen. Penelitian ini bertujuan untuk menerapkan metode Faster R-CNN dan arsitektur ResNet50 dalam mendeteksi penyakit pada tanaman mentimun. Alur proses penelitian ini terdiri dari pengumpulan dataset, preprocessing data, pelatihan, dan evaluasi. Dataset yang digunakan berjumlah 799 citra daun mentimun, yang terdiri dari lima kelas: Fresh Leaf, Anthracnose, Bacterial Wilt, Downy Mildew, dan Gummy Stem Blight. Pelatihan model menggunakan K-Fold Cross Validation sebanyak 5 fold (K=5) dengan optimizer SGD, batch size 2, learning rate 0,007, dan 20 epoch. Hasil menunjukan  menghasilkan rata-rata akurasi sebesar 0.86%, precision 0.87%, recall 0.88%, dan F1-score 0.87%. Hal ini membuktikan bahwa model mampu melakukan generalisasi dengan baik terhadap variasi data.