DEEP LEARNING UNTUK DIAGNOSTIK PENYAKIT DAUN JAGUNG SEBAGAI KONTRIBUSI TERHADAP PENCAPAIAN SDG 2
DOI:
https://doi.org/10.32897/sobat.2025.7.1.5273Keywords:
Deep Learning, MobileNetV2, Fine-Tuning, Deteksi Penyakit Tanaman, Zero HungerAbstract
Serangan penyakit pada daun jagung merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas pertanian dan mengancam ketahanan pangan nasional. Proses identifikasi penyakit secara manual masih banyak dilakukan oleh petani melalui pengamatan visual yang membutuhkan waktu lama dan berpotensi menghasilkan diagnosis yang tidak akurat. Penelitian ini bertujuan mengembangkan sistem diagnostik otomatis berbasis Deep Learning untuk mengklasifikasikan penyakit daun jagung secara cepat dan tepat. Metode yang digunakan adalah Pre-Trained MobileNetV2 and Fine-Tuning Model, dengan memanfaatkan arsitektur yang efisien untuk pengenalan pola citra dan melakukan penyesuaian parameter agar sesuai dengan karakteristik data lokal. Dataset yang digunakan terdiri dari empat kelas, yaitu daun sehat, gray leaf spot, common rust, dan blight, yang diproses melalui teknik augmentasi citra serta pembagian data latih, validasi, dan uji. Model dilatih menggunakan algoritma optimisasi Adam dengan tingkat pembelajaran rendah dan fungsi kehilangan kategorikal. Hasil pengujian menunjukkan bahwa model mencapai tingkat akurasi sekitar 96 persen dalam mengklasifikasikan jenis penyakit daun jagung. Kesimpulan dari penelitian ini adalah bahwa penerapan Deep Learning dengan pendekatan transfer pengetahuan mampu memberikan hasil diagnosis yang akurat, mendukung deteksi dini penyakit tanaman, serta berkontribusi terhadap peningkatan produktivitas pertanian dan pencapaian Sustainable Development Goals poin ke-2, yaitu Zero Hunger.
References
Zein N. Pengembangan Varietas Unggul Jagung Hibrida Untuk Ketahanan Pangan Nasional. Lit Notes. 2024;2(1).
Gookyi Dan, Wulnye Fa, Arthur Eae, Ahiadormey Rk, Agyemang Jo, Agyekum Kobo, Et Al. Tinyml For Smart Agriculture: Comparative Analysis Of Tinyml Platforms And Practical Deployment For Maize Leaf Disease Identification. Smart Agric Technol. 2024;8:100490.
Simanjuntak Jm, Others. Application Of Mobilenetv2 Architecture With Simam For Automatic Detection Of Diseases On Mango Leaves. Universitas Medan Area; 2025.
Agustiani S, Aryanti R, Wildah Sk, Arifin Yt, Marlina S, Misriati T. Optimisasi Model Deep Learning Untuk Deteksi Penyakit Daun Tebu Dengan Fine-Tuning Mobilenetv2. J Informatics Manag Inf Technol. 2024;4(4):150–7.
Amin M, Bindas A. Pengklasifikasi Bibit Kelapa Menggunakan Algoritma Deep Learning Convolutional Neural Network. J Perangkat Lunak. 2024;6(3):405–13.
Inaya An, Rahma Au, Jannah M, Arafah Lrk, Ishak Ll, Edy Mr. Klasifikasi Citra Dengan Pendekatan Transfer Learning Pada Gambar Fauna Terbang. J Mediat. 2024;85–9.
Setya Hadi H. Penerapan Iot Pada Smart Farming. Yayasan Putra Adi Dharma; 2025.
Alaydrus Aza. Mekanisasi Pertanian Untuk Tanaman Pangan. Mek Pertan. 2025;34.
Sujatha R, Krishnan S, Chatterjee Jm, Gandomi Ah. Advancing Plant Leaf Disease Detection Integrating Machine Learning And Deep Learning. Sci Rep. 2025;15(1):11552.
Kaya Y, Gürsoy E. Retracted Article: A Mobilenet-Based Cnn Model With A Novel Fine-Tuning Mechanism For Covid-19 Infection Detection. Soft Comput. 2023;27(9):5521.
Upadhyay A, Chandel Ns, Singh Kp, Chakraborty Sk, Nandede Bm, Kumar M, Et Al. Deep Learning And Computer Vision In Plant Disease Detection: A Comprehensive Review Of Techniques, Models, And Trends In Precision Agriculture. Artif Intell Rev. 2025;58(3):92.
Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z. Rethinking The Inception Architecture For Computer Vision. In: Proceedings Of The Ieee Conference On Computer Vision And Pattern Recognition. 2016. P. 2818–26.
Chollet F, Chollet F. Deep Learning With Python. Simon And Schuster; 2021.
Mahlein Ak, Arnal Barbedo Jg, Chiang Ks, Del Ponte Em, Bock Ch. From Detection To Protection: The Role Of Optical Sensors, Robots, And Artificial Intelligence In Modern Plant Disease Management. Phytopathology®. 2024;114(8):1733–41.
Sandler M, Howard A, Zhu M, Zhmoginov A, Chen Lc. Mobilenetv2: Inverted Residuals And Linear Bottlenecks. In: Proceedings Of The Ieee Conference On Computer Vision And Pattern Recognition. 2018. P. 4510–20.
Firmansyah Fd. Deteksi Penyakit Daun Bawang Merah Menggunakan Transfer Learning Dengan Mobilenetv2 Berbasis Citra.
