Jurnal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 4 No 3.
March2025.
Page: 100-107 https://djournals.
com/jie DOI: 10.
47065/jie.
Hyperparameter Tuning Dalam Deteksi Penyakit Daun Jeruk Dengan Pendekatan Transfer Learning Ferdayatus Soleha1.
Asep Hidayat2,*.
Antoni Zulius3 1,2 Fakultas lmu Teknik.
Sistem Informasi.
Universitas Bina Insan.
Lubuklinggau.
Indonesia 3 Fakultas lmu Teknik.
Rekayasa Sistem Komputer.
Universitas Bina Insan.
Lubuklinggau.
Indonesia Email: 12102010011@gmail.
com, 2,*asepfighter@univbinainsan.
id, 3antoni.
zulius@univbinainsan.
Email Penulis Korespondensi: asepfighter@univbinainsan.
AbstrakOe Penyakit pada daun jeruk seperti CVPD, bercak hitam, dan canker menjadi ancaman serius bagi keberlanjutan produksi jeruk, terutama di wilayah Malang.
Penelitian ini bertujuan untuk membangun sistem deteksi penyakit daun jeruk berbasis citra menggunakan arsitektur MobileNetV2 dengan pendekatan transfer learning.
Optimalisasi dilakukan melalui teknik hyperparameter tuning, termasuk pengaturan batch size, learning rate, regularization, dan optimizer, untuk meningkatkan performa model dalam mengklasifikasikan citra daun ke dalam lima kelas penyakit: black spot, canker, greening, melonose, dan healthy.
Dataset yang digunakan bersumber dari Kaggle dan diproses dengan augmentasi serta normalisasi untuk meningkatkan generalisasi model.
Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan penyakit dengan tingkat akurasi yang tinggi, mendukung deteksi dini serta membantu petani dalam menjaga kesehatan tanaman secara berkelanjutan.
Pendekatan ini tidak hanya memberikan solusi teknologi berbasis AI dalam bidang pertanian, tetapi juga mendukung praktik budidaya yang ramah lingkungan dan efisien.
Data citra dibagi dalam 4 kelas yaitu bercak hitam 169 citra ,daun canker 163 citra,daun sehat 58,dan daun kekungingan 204 .
Total dataset sevara keseluruhan adalah 594 citra.
Kata Kunci: Deteksi Penyakit Daun.
Mobilenetv2.
Transfer Learning.
Hyperparameter Tuning.
CNN.
AbstractOe Diseases affecting citrus leaves, such as CVPD, black spot, and canker, pose a serious threat to the sustainability of citrus production, especially in the Malang region.
This study aims to develop an orange leaf disease detection system based on images using the MobileNetV2 architecture with a transfer learning approach.
Optimization was performed through hyperparameter tuning techniques, including batch size, learning rate, regularization, and optimizer settings, to improve the model's performance in classifying leaf images into five disease classes: black spot, canker, greening, melonose, and healthy.
The dataset used was sourced from Kaggle and processed with augmentation and normalization to improve model generalization.
Evaluation was conducted using accuracy, precision, recall, and F1-score metrics.
The results showed that the model could classify diseases with high accuracy, supporting early detection and helping farmers maintain plant health sustainably.
This approach not only provides AI-based technological solutions in agriculture but also supports environmentally friendly and efficient farming practices.
The image data is divided into four classes: black spot .
, canker leaves .
, healthy leaves .
, and yellowing leaves .
The total dataset comprises 594 images.
Keywords: Leaf Disease Detection.
Mobilenetv2.
Transfer Learning.
Hyperparameter Tuning.
CNN.
PENDAHULUAN
Budidaya jeruk secara berkelanjutan kini menjadi perhatian utama dalam praktik pertanian modern, terutama mengingat dampak negatif penggunaan pupuk kimia yang berlebihan terhadap lingkungan dan ekosistem pertanian .
Salah satu tantangan signifikan dalam produksi jeruk adalah keberadaan penyakit tanaman, khususnya penyakit daun jeruk seperti Citrus Vein Phloem Degeneration (CVPD) .
, yang disebabkan oleh bakteri Liberobacter asiaticus dan ditularkan oleh serangga vektor Diaphorina citri Kuw.
Deteksi dini terhadap penyakit daun jeruk sangat penting guna meminimalisir kerugian hasil panen serta menjamin kesehatan tanaman dalam jangka Panjang .
Namun, metode deteksi konvensional masih bergantung pada pengamatan visual manual yang memerlukan keahlian dan waktu, serta rawan kesalahan subjektif.
Oleh karena itu, pendekatan berbasis teknologi seperti deep learning menjadi solusi potensial untuk otomatisasi dan peningkatan akurasi dalam proses identifikasi penyakit daun jeruk Convolutional Neural Networks .
(CNN) merupakan salah satu metode deep learning yang efektif dalam klasifikasi citra, termasuk dalam bidang pertanian presisi .
Dalam praktiknya, arsitektur CNN seperti MobileNetV2 terbukti efisien untuk perangkat dengan keterbatasan sumber daya komputasi seperti perangkat seluler.
MobileNetV2 mengadopsi pendekatan depthwise separable convolution serta linear bottleneck dan inverted residuals, yang menjadikannya ringan namun tetap akurat.
Untuk mencapai performa optimal dari model CNN, proses hyperparameter tuning sangat krusial .
Hyperparameter seperti learning rate, batch size, dan optimizer menentukan bagaimana model belajar dan konvergen terhadap data yang diberikan .
Beberapa teknik seperti grid search, random search, dan Bayesian optimization digunakan untuk mengeksplorasi kombinasi terbaik dari Selain itu, penerapan transfer learning memungkinkan pemanfaatan model yang telah dilatih sebelumnya, seperti MobileNetV2 yang dilatih pada ImageNet, ke dalam domain khusus seperti deteksi penyakit daun jeruk.
Teknik ini dapat meningkatkan efisiensi pelatihan, mengurangi kebutuhan dataset besar, serta mempercepat konvergensi model .
Penelitian ini bertujuan membangun sistem klasifikasi penyakit daun jeruk berbasis citra digital menggunakan arsitektur MobileNetV2 dan teknik hyperparameter tuning.
Sistem ini diharapkan mampu mendeteksi beberapa jenis penyakit daun jeruk seperti black spot, canker, greening, dan melonose dengan akurasi tingg .
Diharapkan bahwa solusi berbasis kecerdasan buatan ini mampu memberikan dampak nyata terhadap produktivitas dan keberlanjutan sektor pertanian jeruk.
Copyright A 2025 The Author.
Page 100 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Jurnal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 4 No 3.
March2025.
Page: 100-107 https://djournals.
com/jie DOI: 10.
47065/jie.
khususnya di wilayah Malang sebagai salah satu sentra produksi .
Secara umum, penggunaan teknologi deep learning dalam bidang pertanian merupakan bagian dari transformasi menuju pertanian cerdas .
mart agricultur.
yang menekankan efisiensi, akurasi, dan keberlanjutan .
Oleh karena itu, pengembangan sistem deteksi penyakit daun jeruk dengan pendekatan transfer learning dan pengoptimalan hyperparameter memiliki potensi besar dalam meningkatkan kualitas dan kuantitas produksi jeruk nasional .
Beberapa penelitian sebelumnya telah membahas penerapan deep learning dalam mendeteksi penyakit tanaman.
Penelitian oleh Kurniawan et al.
menggunakan transfer learning dengan arsitektur VGG16 untuk mengklasifikasikan penyakit daun jeruk dan memperoleh akurasi mencapai 91%.
Penelitian lain oleh Prasetya & Hamid .
membandingkan klasifikasi manual dan otomatis terhadap citra daun jeruk, dan menemukan bahwa metode otomatis berbasis CNN mampu meningkatkan efisiensi dan akurasi deteksi .
Soleha juga telah mengeksplorasi penggunaan hyperparameter tuning untuk meningkatkan performa model klasifikasi daun jeruk berbasis MobileNetV2.
Namun, belum banyak penelitian yang secara sistematis mengkaji pengaruh kombinasi hyperparameter terhadap performa model transfer learning secara spesifik untuk deteksi penyakit daun jeruk .
Oleh karena itu, penelitian ini difokuskan pada pengembangan sistem klasifikasi citra penyakit daun jeruk dengan optimalisasi hyperparameter untuk memperoleh performa model yang optimal dan aplikatif di lapangan .
METODOLOGI PENELITIAN
1 Tahapan Penelitian Penelitian diawali dengan identifikasi masalah dan penetapan tujuan yang jelas untuk mendasari arah penelitian.
Selanjutnya dilakukan studi literatur dan pengumpulan dataset, yang mencakup penelusuran referensi dan data yang Setelah data terkumpul, dilakukan pra-pemrosesan untuk memastikan kualitas data yang optimal sebelum Proses selanjutnya adalah pembangunan model menggunakan arsitektur MobileNetV2, yang dipilih karena efisiensinya dalam klasifikasi gambar.
Model kemudian dioptimasi melalui hyperparameter tuning untuk meningkatkan Setelah itu, dilakukan pelatihan model menggunakan data training dan evaluasi kinerja model berdasarkan metrik seperti akurasi dan F1-score.
Model yang telah dilatih diuji menggunakan data baru untuk mengukur generalisasi, kemudian dilakukan analisis hasil guna menilai performa secara menyeluruh.
Tahapan akhir adalah penarikan kesimpulan dan pemberian saran untuk pengembangan selanjutnya, lalu penelitian dinyatakan selesai.
Tahapan penelitian dapat dilihat pada gambar 1 dibawah ini :
Gambar 1.
Tahapan Penelitian 2 Metode Penelitian Metode penelitian yang digunakan adalah metode kualitatif.
Untuk membuat metode penelitian ini lebih relevan, penulis membuat rencana kerja sebelum memulai penelitian.
Penelitian ini berfokus pada deteksi penyakit daun jeruk melibatkan serangkaian langkah yang sistematis, mulai dari pengumpulan data hingga evaluasi performa model.
Berikut adalah Copyright A 2025 The Author.
Page 101 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Jurnal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 4 No 3.
March2025.
Page: 100-107 https://djournals.
com/jie DOI: 10.
47065/jie.
kerangka metodologi yang umum digunakan dalam penelitian yang melibatkan hyperparameter tuning dengan transfer learning untuk deteksi penyakit daun jeruk.
3 Pengumpulan Dataset Dalam tahap ini peneliti melakukan pengumpulan dataset melalui website kaggle.
Dataset yang digunakan peneliti yaitu penyakit daun jagung.
Dataset ini mencakup berbagai jenis penyakit pada daun jagung yang akan digunakan untuk pelatihan dan pengujian model klasifikasi menggunakan metode transfer learning.
4 Pengembangan Sistem Siklus hidup proyek AI dan waterfall adalah fase atau metode kerja yang digunakan untuk membuat proyek AI.
Siklus hidup proyek AI dapat dibagi menjadi lima fase, seperti yang ditunjukkan pada gambar.
Problem Scoping Pada titik ini, masalah yang akan diselesaikan dengan bantuan kecerdasan buatan telah diidentifikasi.
Apa masalah yang dibahas, siapa yang mengalami 10 masalah tersebut, mengapa masalah tersebut muncul, dan di mana masalah tersebut dapat terjadi adalah 4W yang didefinisikan dalam proses ini .
Masalah deteksi penyakit daun jeruk merupakan tantangan yang signifikan bagi sektor pertanian, khususnya petani jeruk yang sering menghadapi kerugian akibat penyakit seperti citrus canker atau bercak daun.
Pendekatan berbasis AI, seperti transfer learning, menawarkan solusi yang efisien untuk mengidentifikasi penyakit secara dini melalui klasifikasi gambar daun jeruk.
Tantangan utama dalam implementasi ini adalah dataset yang terbatas dan risiko overfitting pada model, sehingga hyperparameter tuning .
Data Acquisition Pada tahap ini, informasi dikumpulkan.
Ini dilakukan untuk mengumpulkan data untuk proyek yang sedang dibangun.
Data dapat berupa fakta, informasi, atau statistik yang dikumpulkan untuk referensi atau analisis.
Semua data yang diperlukan untuk melatih model AI untuk proyek yang berhasil harus berhubungan dengan masalah yang telah diidentifikasi sebelumnya.
Data dapat berasal dari berbagai sumber, seperti survei, web scraping, sensor, kamera.
API, citra dibagi dalam 4 kelas yaitu bercak hitam 169 citra ,daun canker 163 citra,daun sehat 58,dan daun kekungingan Total dataset secara keseluruhan adalah 594 citra.
Data citra yang digunakan pada penelitian ini didapat dari website penyedia dataset yaitu Kaggle https://w.
com/datasets/myprojectdictionary/citrus-leafdiseaseimage.
Data Exploration Setelah data terkumpul, dilakukan eksplorasi awal untuk memahami karakteristik dataset.
Proses ini mencakup analisis distribusi data, kualitas citra, serta identifikasi data yang perlu diolah lebih lanjut.
Selanjutnya, dilakukan preprocessing seperti augmentasi data untuk memperbanyak variasi, normalisasi untuk menyamakan skala, dan pengubahan ukuran citra agar sesuai dengan input model yang akan digunakan.
Modelling Fase ini mencakup training dan pengkodean serta pencarian algoritma AI terbaik untuk mengolah data dan menangani Model pretrained menggunakan MobileNetV2 27 mereka sudah dilatih pada dataset besar dan dapat dimanfaatkan untuk ekstraksi fitur dengan efisien Hyperparameter tuning untuk mengoptimalkan nilai-nilai dari hyperparameter dalam model machine learning agar model tersebut memberikan performa terbaik.
Hyperparameter adalah parameter yang tidak dipelajari oleh model secara langsung dari data selama pelatihan, melainkan ditentukan sebelum pelatihan dimulai.
Dalam Penelitia ini Mengunakan Batch size 50 dan 100.
Learning rate 0,01 dan 0,001 dan Regularaization L1 Serta Optiminizer mengunakan Adam .
Evaluation Dengan menggunakan data uji yang belum pernah digunakan oleh model sebelumnya, kinerja model dinilai dengan metrik seperti ketepatan, ketepatan, recall, dan skor F1.
Hasil evaluasi memastikan bahwa model memiliki keandalan yang tinggi dan mampu membuat prediksi yang akurat.
Deployment & Finishing Tahap terakhir adalah implementasi model ke dalam aplikasi berbasis Python untuk analisis citra daun jagung secara real-time.
HASIL DAN PEMBAHASAN
1 Persiapan Data Dataset terdiri dari 1 folder utama, yaitu dengan nama AoCitrus Leaf Disease ImageAo dimana terdiri dari setiap kelas yang ada, yaitu: ['Black spot', 'Canker', 'Greening', 'Healthy', 'Melanose'].
Gambar 1, 2, dan 3 menyajikan sebaran data dari masing-masing kelas.
Untuk membangun model, diperlukan 10% data validasi dan 10% data test.
Copyright A 2025 The Author.
Page 102 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Jurnal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 4 No 3.
March2025.
Page: 100-107 https://djournals.
com/jie DOI: 10.
47065/jie.
Gambar 1.
Distribusi Kelas Pada Data Train Gambar 2.
Distribusi Kelas Pada Data Validasi Gambar 3.
Distribusi Kelas Pada Data Test 2 Pre-processin Untuk meningkatkan kualitas dan keberagaman data yang digunakan dalam pelatihan model machine learning, khususnya Convolutional Neural Networks (CNN), ada risiko overfitting, di mana model terlalu cocok dengan data pelatihan dan tidak dapat menggeneralisasi ke data baru.
Dalam konteks pengolahan gambar, proses preprocessing danaugmentasi data Copyright A 2025 The Author.
Page 103 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Jurnal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 4 No 3.
March2025.
Page: 100-107 https://djournals.
com/jie DOI: 10.
47065/jie.
menggunakan "ImageDataGenerator" adalah langkah penting.
Dengan memberikan variasi yang lebih banyak kepada model selama pelatihan, diharapkan akurasi klasifikasi pada data uji akan meningkat.
Gambar 4 menunjukkan Hasil Preprocesing data :
Gambar 4.
Hasil Pre-Procesing Data 3 Hyperparameter Tuning Hyperparameter tuning yang memungkinkan untuk menemukan hasil model terbaik yang akan dibangun.
Beberapa hyperparameter yang digunakan antara lain: batch size, learning rate, epoch dan optimizer.
Tabel 1 menyajikan konfigurasi dari hyperparameter yang digunakan.
Tabel 1.
Konfigurasi Hyperparameter Hyperparameter Value Batc Size
16,32
Learning Rate 001,0.
Epoch
50,100
Optimezer Adam, rmsprop Setelah proses pelatihan, didapat model maksimal dengan konfigurasi batch size = 16, learning rate = 0.
= 50, dan optimizer denganmenggunakan Adam.
Gambar 5 menyajikan hasil dari proses hyperparameter tuning yang Gambar 5.
Proses Hyperparameter Tuning 4 Hasil Pelatihan Model Gambar 7.
Grafik Loss Dan Accuracy Copyright A 2025 The Author.
Page 104 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Jurnal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 4 No 3.
March2025.
Page: 100-107 https://djournals.
com/jie DOI: 10.
47065/jie.
5 Evaluasi Model Salah satu tujuan evaluasi model adalah untuk mengevaluasi kemampuan model untuk mengidentifikasi setiap kelas yang Evaluasi ini mencakup analisis matriks kekacauan dan laporan klasifikasi.
Gambar 8 dan gambar 9 menunjukan hasil Confunsion Matrix dan Classification Report :
Gambar 8.
Confunsion Matrix Gambar 9.
Classification Report Hasil dari confusion matrik yang dihasilkan diatas.
Berdasarkan confusion matrix yang dihasilkan, dapat dianalisis sebagai berikut:
Black spot Tabel 2.
Black Spot Prediksi Benar Kesalan Di Prediksi Sebagai "Greening" .
dan "Healthy" .
Kesimpulan Model sangat baik dalam mengenali " Black Spot" tetapi mengalami sedikit kesalahan dalam membedkan dengan Greening" dan "Healthy" Canker Tabel 3.
Canker Prediksi Benar Kesalan Di Prediksi Salah diprediksi Sebagai "Greening" .
Kesimpulan Model cukup baik mengenali "Canker", namun sering salah mengklasifikasikan sebagai "Greening" Greening Tabel 4.
Canker Prediksi Benar Kesalan Di Prediksi Salah diprediksi Sebagai "Black Spot" .
Kesimpulan Model sangat akurat dalama mengenali "Greening" dengan hanya satu kesalahan perdiksi.
Copyright A 2025 The Author.
Page 105 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Jurnal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 4 No 3.
March2025.
Page: 100-107 https://djournals.
com/jie DOI: 10.
47065/jie.
Healty Prediksi Benar Tabel 5.
Healty Kesalan Di Prediksi Kesimpulan Tidak ada kesalahan prediksi Del sempurna mengenali kelas.
Melanose Prediksi Benar Tabel 6.
Melanose Kesalan Di Prediksi Kesimpulan Tidak ada kesalahan prediksi Model sempurn dalam mengenali kelas "melanose" meskipun jumlah datanya lebih KESIMPULAN Berdasarkan hasil penelitian yang telah dilakukan, dapat disimpulkan bahwa model klasifikasi penyakit daun jagung berbasis transfer learning dengan arsitektur DenseNet-201 yang dapat memberikan hasil yang sangat akurat dengan tingkat akurasi yang mencapai 97%.
Selama proses pelatihan dan pengujian, digunakan dataset sebanyak 3.
852 gambar yang telah melalui beberapa tahap pra-pemrosesan seperti resize, pelabelan, dan augmentasi.
Hasil evaluasi model juga menunjukkan nilai precision, recall, dan f1-score yang tinggi, menandakan bahwa model ini mampu bekerja secara konsisten dalam mengenali masing-masing jenis penyakit.
Meski hasil yang diperoleh cukup memuaskan, penelitian ini tetap memiliki keterbatasan, terutama pada jumlah dan keragaman data yang digunakan.
Oleh karena itu, pengembangan di masa mendatang sangat mungkin dilakukan, misalnya dengan memperluas variasi dataset dan mengeksplorasi arsitektur deep learning lain sebagai pembanding.
Harapannya, sistem ini bisa terus dikembangkan hingga benar-benar bisa diterapkan secara langsung di lapangan untuk membantu petani dalam mendeteksi penyakit daun jagung secara lebih cepat, efisien, dan akurat.
REFERENCES