Perbandingan Kinerja CNN dan Algoritma Machine Learning pada Klasifikasi Penyakit Daun Padi Menggunakan Dataset Citra Lapangan

Abstract

Tanaman padi merupakan komoditas strategis dalam mendukung ketahanan pangan, namun produktivitasnya sering terganggu oleh serangan penyakit dan hama daun yang membutuhkan deteksi cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi multi-kelas penyakit dan hama daun padi berbasis citra menggunakan pendekatan kombinasi Convolutional Neural Network (CNN) dan Support Vector Machine (SVM). Dataset yang digunakan terdiri dari 10.000 citra daun padi yang mencakup 10 kelas, meliputi tujuh jenis penyakit, dua jenis hama, serta satu kelas daun sehat. Tahap preprocessing dilakukan melalui proses resizing, normalisasi, dan peningkatan kualitas citra. Fitur citra kemudian diekstraksi menggunakan metode image embedding berbasis CNN pre-trained, sehingga menghasilkan representasi fitur yang mampu menangkap karakteristik visual seperti tekstur, pola kerusakan, dan variasi warna daun. Dataset dipartisi menjadi 80% data training dan 20% data testing menggunakan metode stratified random sampling untuk menjaga keseimbangan distribusi kelas. Model SVM dilatih menggunakan fitur hasil ekstraksi CNN dan diuji menggunakan data testing. Evaluasi kinerja menunjukkan bahwa model CNN–SVM menghasilkan akurasi sebesar 78,65%, precision 79,10%, recall 78,65%, dan F1-score 78,40%. Meskipun performa tergolong baik, masih ditemukan kesalahan klasifikasi pada kelas dengan kemiripan visual tinggi seperti Blast dan Brown Spot. Hasil penelitian ini menunjukkan bahwa pendekatan CNN sebagai ekstraktor fitur yang dikombinasikan dengan SVM sebagai classifier cukup efektif dalam menangani kompleksitas citra daun padi berbasis kondisi lapangan, serta berpotensi untuk dikembangkan dalam sistem deteksi penyakit tanaman secara otomatis.