<![CDATA[Produktivitas tanaman kopi di Indonesia sangat dipengaruhi oleh serangan penyakit daun yang sering kali tidak terdeteksi secara dini akibat keterbatasan pengetahuan petani dalam mengenali gejala penyakit. Deteksi penyakit secara manual membutuhkan keahlian khusus dan waktu yang tidak efisien, sehingga dibutuhkan pendekatan berbasis teknologi untuk memberikan solusi yang lebih cepat dan akurat. Penelitian ini mengusulkan pemanfaatan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk mendeteksi penyakit tanaman kopi berdasarkan citra daun. Data citra daun diperoleh dari dataset publik Kaggle, yang mencakup total 1664 citra daun kopi dengan klasifikasi sehat maupun terinfeksi penyakit. Proses pelatihan dilakukan pada platform Google Colaboratory menggunakan algoritma optimisasi Adam dan teknik augmentasi untuk meningkatkan kemampuan generalisasi model. Hasil pelatihan menunjukkan bahwa model ResNet-50 mampu mencapai akurasi pelatihan sebesar 96,33% dan akurasi validasi sebesar 95,31% setelah 40 epoch. Evaluasi model terhadap data uji menghasilkan nilai macro average precision sebesar 95,83%, recall 96,05%, dan F1-score 95,58%. Model terbukti efektif dalam mendeteksi berbagai jenis penyakit seperti miner, phoma, dan rust, meskipun masih terdapat kesalahan klasifikasi minor. Penelitian ini menunjukkan potensi besar dari penerapan CNN dalam bidang pertanian cerdas, khususnya dalam deteksi otomatis penyakit tanaman kopi, serta dapat menjadi dasar pengembangan sistem deteksi berbasis aplikasi yang mudah digunakan oleh petani. Temuan ini berkontribusi pada pengembangan teknologi tepat guna dalam mendukung peningkatan hasil dan kualitas produksi pertanian.]]>
Copyrights © 2025
