Identifikasi CNN dalam Deteksi Penyakit Daun Jagung Berbasis Pengenalan Gambar

ARYANTI ARYANTI; DEFINA APRILIANI; WULAN ZAHRA PUTRI; DWI RAMADHANI; THREA MALINDA; DIMAS ANDREANSYAH

doi:10.26760/mindjournal.v10i2.195-205

Identifikasi CNN dalam Deteksi Penyakit Daun Jagung Berbasis Pengenalan Gambar

ARYANTI ARYANTI, DEFINA APRILIANI, WULAN ZAHRA PUTRI, DWI RAMADHANI, THREA MALINDA, DIMAS ANDREANSYAH

Sari

Abstrak

Produktivitas jagung sangat terancam oleh penyakit daun seperti common rust, gray leaf spot, dan leaf blight. Identifikasi penyakit yang lambat dan tidak akurat menjadi masalah utama yang mendesak. Oleh karena itu, penelitian ini bertujuan mengembangkan mekanisme identifikasi otomatis penyakit daun jagung menggunakan algoritma Convolutional Neural Network (CNN) berbasis citra digital, mendukung upaya pertanian presisi. Penelitian menggunakan 4.188 citra daun (sehat, leaf blight, rust, dan gray leaf spot) yang diproses melalui preprocessing seperti normalisasi dan augmentasi. Hasil pengujian menunjukkan efektivitas tinggi, di mana model CNN mencapai akurasi klasifikasi 95% dengan waktu inferensi cepat, hanya 0,48 detik per gambar. Kontribusi utama penelitian ini adalah penyediaan model CNN yang sangat akurat dan efisien, berpotensi besar menjadi dasar sistem diagnostik lapangan untuk membantu petani meningkatkan kualitas dan hasil produksi jagung.

Kata kunci: CNN, Deteksi Penyakit, Jagung, Pengenalan Citra, Deep Learning

Abstract

Corn productivity is severely threatened by leaf diseases such as common rust, gray leaf spot, and leaf blight. Slow and inaccurate disease identification is a pressing issue. Therefore, this study aims to develop an automatic corn leaf disease identification mechanism using a digital image-based Convolutional Neural Network (CNN) algorithm, supporting precision agriculture efforts. The study used 4,188 leaf images (healthy, leaf blight, rust, and gray leaf spot) that were processed through preprocessing such as normalization and augmentation. The test results demonstrated high effectiveness, where the CNN model achieved 95% classification accuracy with a fast inference time of only 0.48 seconds per image. The main contribution of this study is the provision of a highly accurate and efficient CNN model, with great potential to become the basis of a field diagnostic system to help farmers improve corn quality and yield.

Keywords: CNN, Disease Detection, Corn, Image Recognition, Deep Learning

Teks Lengkap:

PDF

Referensi

Adenia, R., Minarno, A. E., & Azhar, Y. (2024). Implementasi Convolutional Neural Network Untuk Ekstraksi Fitur Citra Daun Dalam Kasus Deteksi Penyakit Pada Tanaman Mangga Menggunakan Random Forest. Jurnal Repositor, 4(4), 473–482. https://doi.org/10.22219/repositor.v4i4.32287

Albana, H., Resti, Z., Tanaman, D. P., Pertanian, F., & Andalas, U. (2024). TINGKAT SERANGAN PENYAKIT KARAT DAUN PADA. 23(2), 305–312.

Bantacut, T., Akbar, M. T., & Firdaus, Y. R. (2015). Pengembangan Jagung untuk Ketahanan Pangan, Industri dan Ekonomi. Jurnal Pangan, 24(2), 135–148.

Hamidson, H., Suwandi, S., & Effendy, T. A. (2019). north Indralaya Sub-District Ogan Ilir District. Prosiding Seminar Nasional Lahan Suboptimal, September, 528–534.

Kattenborn, T., Leitloff, J., Schiefer, F., & Hinz, S. (2021). Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 173(July 2020), 24–49. https://doi.org/10.1016/j.isprsjprs.2020.12.010

Koukouli, P., Georgiou, P., & Karpouzos, D. (2025). Assessment of the Impacts of Climate Change Scenarios on Maize Yield and Irrigation Water Using the CropSyst Model: An Application in Northern Greece. Agronomy, 15(3), 1–28. https://doi.org/10.3390/agronomy15030638

Maharana, K., Mondal, S., & Nemade, B. (2022). A review: Data pre-processing and data augmentation techniques. Global Transitions Proceedings, 3(1), 91–99. https://doi.org/10.1016/j.gltp.2022.04.020

Nina, A. (2023). Efektifitas Drone Sebagai Media Penginderaan Jauh Untuk Pemantauan Kesehatan Tanaman. Jurnal Technopreneur (JTech), 11(2), 50–55. https://doi.org/10.30869/jtech.v11i2.1186

Pangestu, D. A., Aziz, O. Q., & Crysdian, C. (2025). Klasifikasi Penyakit pada Tanaman Berdasarkan Citra Daun Menggunakan Metode Convolutional Neural Network. JISKA (Jurnal Informatika Sunan Kalijaga), 10(2), 235–248. https://doi.org/10.14421/jiska.2025.10.2.235-248

Pathak, A. R., Pandey, M., & Rautaray, S. (2018). Application of Deep Learning for Object Detection. Procedia Computer Science, 132(Iccids), 1706–1717. https://doi.org/10.1016/j.procs.2018.05.144

Peran, M., Kecerdasan, P., Kualitas, B., & Hermawan, G. (2024). Memahami Peran Dataset dalam Penelitian Kecerdasan Buatan : Kualitas , Aksesibilitas , dan Tantangan. October. https://doi.org/10.13140/RG.2.2.34468.49288

Prasiwiningrum, E., & Lubis, A. (2024). Classification Of Palm Oil Maturity Using CNN ( Convolution Neural Network ) Modelling RestNet 50. 4(3), 983–999.

Putra, J. V. P., Ayu, F., & Julianto, B. (2023). Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN. Stains (Seminar Nasional Teknologi & Sains), 2(1), 155–162.

Rosadi, M. I., & Lutfi, M. (2021). Identifikasi Jenis Penyakit Daun Jagung Menggunakan Deep Learning Pre-Trained Model. Jurnal Explore IT!, 13(2), 36–42.

Rozaqi, A. J., Sunyoto, A., & Arief, M. rudyanto. (2021). Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network. Creative Information Technology Journal, 8(1), 22. https://doi.org/10.24076/citec.2021v8i1.263

Setyawan, I., Wahyono, T., & Lubis, Y. (2010). Peranan Komoditas Jagung ( Zea mays L .) Terhadap Peningkatan Pendapatan Wilayah Kabupaten Karo. Jurnal Agribisnis Sumatera Utara, 3(2), 17–24.

Setyawan, M. A., Kasih, P., Ayu, M., & Widyadara, D. (2022). Klasifikasi Penyakit Daun Jagung Berdasarkan Ruang Warna HSV dan Fitur Tekstur Dengan Algoritma K-NN. Seminar Nasional Inovasi Teknologi UN PGRI Kediri, 67–72.

Sheila, S., Permata Sari, I., Bagas Saputra, A., Kharil Anwar, M., & Restu Pujianto, F. (2023). Deteksi Penyakit Pada Daun Padi Berbasis Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN). Multinetics, 9(1), 27–34. https://doi.org/10.32722/multinetics.v9i1.5255

Syaqialloh, F. (2025). Klasifikasi dan Pengenalan Emosi dari Ekspresi Wajah Menggunakan CNN-BiLSTM dengan Teknik Data Augmentation. 5(1), 79–91.

Syarovy, M., Nugroho, A. P., & Sutiarso, L. (2023). Pemanfaatan Model Neural Network Dalam Generasi Baru Pertanian Presisi Di Perkebunan Kelapa Sawit. WARTA Pusat Penelitian Kelapa Sawit, 28(1), 39–54. https://doi.org/10.22302/iopri.war.warta.v28i1.97

DOI: https://doi.org/10.26760/mindjournal.v10i2.195-205