Volume 02.
No.
Juni 2026.
Hal.
27 Ae 32 e-ISSN : 3109-4163 Klasifikasi Penyakit Daun Tomat Menggunakan Convolutional Neural Network (CNN) Berbasis EfficientNetB0 Garet Alfirmansyah1.
Rizal Ronaldo2 Program Studi Teknologi Informasi.
Fakultas Kesehatan dan Teknologi.
Universitas Muhammadiyah Klaten.
Klaten Email: 1garetalfirmansah@gmail.
com , 2rizaladhie85@gmail.
ABSTRACT Ai This research is designed to develop a disease classification system on tomato leaves using the Deep Learning method with a Convolutional Neural Network (CNN) architecture based on the EfficientNetB0 model architecture with a Transfer Learning approach.
The dataset used for the research was taken from Kaggle .
shishmotwani/tomat.
and consists of more than 20,000 images of tomato leaves divided into 11 classes, namely 10 classes of diseased leaves and 1 class of healthy leaves.
The research was conducted using the Google Colab platform with a T4 GPU.
The research stages include dataset preprocessing, dataset augmentation, train-validation-test data sharing, building an EfficientNetB0-based CNN model, model training with a fine-tuning mechanism, and performance evaluation using a confusion matrix, precision, recall, and F1-score.
The configuration uses an input size of 224 y 224 pixels, a batch size of 32, an initial learning rate of 001 and a maximum of 50 epochs.
The results show that the best training accuracy of all 50 epochs was 99.
63% and the best validation accuracy was 87.
27%, achieved in the 49th epoch.
The best model was restored from the 49th epoch based on the highest val accuracy value.
The classes Powdery Mildew.
Target Spot, and Tomato Yellow Leaf Curl Virus obtained the highest recall values.
The implementation of EfficientNetB0 has proven effective in classifying tomato leaf diseases, making it suitable for application in mobile and web-based smart agriculture systems.
KEYWORDS Ai CNN.
Deep Learning.
Immage Classification.
EfficientNetB0.
Tomato Leaf Disease.
Transfer Learning INTISARI Ai Penelitian ini dirancang untuk mengembangkan sistem klasifikasi penyakit pada daun tomat menggunakan metode Deep Learning dengan arsitektur Convolutional Neural Network (CNN) berbasis arsitektur model EfficientNetB0 dengan pendekatan Transfer Learning.
Dataset yang digunakan untuk penelitian diambil dari Kaggle .
shishmotwani/toma.
dan terdiri dari lebih 20.
000 gambar daun tomat yang terbagi menjadi 11 kelas yaitu 10 kelas daun sakit dan 1 kelas daun Penelitian dilakukan menggunakan platform Google Colab dengan GPU T4.
Tahapan penelitian meliputi preprocessing dataset, augmentasi dataset, pembagian data train-validation-test, pembangunan model CNN berbasis EfficientNetB0, pelatihan model dengan mekanisme fine-tuning, serta evaluasi performa menggunakan confusion matrix, precision, recall, dan F1-score.
Konfigurasi menggunakan input size 224 y 224 pixel, batch size 32, learning rate awal 0,001 dan maksimal 50 epoch.
Hasil menunjukkan bahwa seluruh penyelesaian 50 epoch dengan training accuracy terbaik adalah 99,63% dan validation accuracy terbaik adalah 87,27% yang dicapai pada epoch ke-49.
Model terbaik di-restore dari epoch ke-49 berdasarkan nilai val accuracy tertinggi.
Kelas Powdery Mildew.
Target Spot, dan Tomato Yellow Leaf Curl Virus memperoleh nilai recall tertinggi.
Implementasi EfficientNetB0 terbukti efektif dalam melakukan klasifikasi penyakit daun tomat sehingga dapat untuk diterapkan pada sistem pertanian cerdas berbasis mobile maupun web.
KATA KUNCI Ai CNN.
Deep Learning.
Klasifikasi Citra.
EfficientNetB0.
Penyakit daun bawang.
Transfer Learning PENDAHULUAN Tomat (Solanum lycopersicum L.
) adalah sayuran dari Amerika Selatan yang dikenal akan dagingnya yang berlimpah, daun majemuk dan akan berhenti berkembang akibat pertumbuhan bunga atau kuncup pada ujung batang atau yang dikenal dengan sebutan simpodial.
Industri pengolahan tomat telah mengembangkan berbagai produk makanan berbahan dasar tomat, seperti saus, saus tomat, puree, dan jus.
Tomat menjadi bahan makanan pokok di banyak negara karena warna, rasa, dan kandungan gizinya yang luar biasa.
Dalam pengaruhnya dalam dunia kesehatan seperti penurunan risiko penyakit kronis termasuk kanker, menjaga kesehatan jantung, menurunkan tekanan darah, mencegah kanker serta menawarkan beberapa manfaat kesehatan lainnya.
Tomat (Solanum Iycopersicum L.
) merupakan salah satu jenis sayuran yang sangat dihargai, tetapi karena variasi A Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 27 Ae 32 e-ISSN 3109Ae4163 genetiknya dan faktor lingkungan, tomat menjadi rentan terhadap berbagai penyakit seperti penyakit keriting daun tomat, virus nekrosis tunas kacang tanah, layu bakteri, dan hawar adalah ancaman besar yang mengurangi produktifitas.
Mereka menjadi terpapar patogen karena menanam tomat di berbagai iklim dan kondisi yang berbeda beda, sementara kurangnya gen resistensi bawaan membuat mereka menjadi rentan terhadap Meskipun metode pemuliaan konvensional telah digunakan untuk menciptakan varietas yang tahan penyakit, pemuliaan ketahanan telah ditingkatkan melalui integrasi genomika dan seleksi berbantuan penanda.
Ini memungkinkan introgresi gen ketahanan dari spesies liar ke dalam tomat budidaya, meningkatkan ketahanan tanaman terhadap penyakit.
Perkembangan Artificial Intelligence (AI) telah memberikan dampak pada berbagai bidang termasuk bidang Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 27 Ae 32 pertanian yang melibatkan integrasi teknologi canggih untuk meningkatkan praktik pertanian dan mengatasi tantangan yang akan datang.
Ini mencakup aplikasi pembelajaran mesin .
achine learnin.
, metodologi akuisisi data dan sistem pendukung keputusanya yang secara kolektif meningkatkan presisi pertanian, meningkatkan efisiensi dan produktivitas sekaligus mengatasi masalah praktik pertanian dan ketahanan pangan di seluruh dunia.
Satu hal yang sudah berkembang pesat adalah komputer vision karena dapat mengidentifikasi penyakit pada tanaman secara otomatis.
Hal ini mampu membantu para petani mengidentifikasi penyakit pada tanaman secara cepat dan akurat agar hasil panen menjadi bahan yang lebih baik dan mengalami kerugian yang lebih sedikit.
Salah satu metode deep learning adalah Convolution Neural Network (CNN) yang dimaksudkan untuk digunakan dalam pengolahan data berbentuk citra.
CNN bekerja menggunakan konvolusi lapisan yang dapat membantu memungkinkan mereka untuk mengekstrak fitur penting dari gambar seperti tepi, tekstur, dan pola dan dalam hal klasifikasi gambar, deteksi objek dan pengenalan wajah teknik ini telah banyak digunakan.
Dalam penelitian ini kami memilih model EfficientNetB0 karena dapat mengalahkan model transfer learning lainnya dengan akurasi 0,91 berkat pendekatan finetuning berbasis rekomendasi cerdas yang meningkatkan kinerja metrik seperti recall, validation, dan F1-score, yang dapat membantu diagnosis dini pada data.
, dan juga memiliki arsitektur yang memanfaatkan penskalaan gabungan untuk meningkatkan kinerja sekaligus mempertahankan efisiensi komputasi.
Studi ini kami buat dengan tujuan untuk membangun model klasifikasi penyakit daun tomat berbasis EfficientNetB0 dengan dataset Kaggle untuk membedakan berbagai jenis penyakit yang menyerang pada daun tomat.
Diharapkan bahwa sistem yang dikembangkan akan dapat mengidentifikasi jenis penyakit dengan tingkat akurasi yang tinggi agar dapat membantu proses pengawasan kesehatan tanaman secara otomatis.
arsitektur pembelajaran mendalam, yang memproses kumpulan data yang sangat besar dan menggunakan metode penskalaan gabungan untuk mengoptimalkan ukuran dan akurasi model.
Dalam hal keunggulan, model EfficientNetB0 memiliki arsitektur yang ringan, parameter yang relatif kecil hingga efisien dalam komputasi.
Hal ini memungkinkan akurasi yang tinggi .
,54%) dalam tugas klasifikasi sekaligus cocok untuk lingkungan dengan keterbatasan sumber daya.
Lalu kelebihan dalam EfficientNetB0 yang lain adalah ideal untuk mobile atau edge, dan modelnya yang fleksibel untuk Transfer Learning.
II.
TEORI DAN METODE
Bacterial Spot Convolution Neural Network (CNN) Convolution Neural Network (CNN) adalah salah satu pendekatan deep learning yang sangat efektif untuk mengelola gambar digital dan arsitektur jaringan multi-layer untuk CNN juga sangat akurat dalam tugas-tugas seperti pengenalan gambar spasial.
Aliran data dan output jaringan ini dipengaruhi oleh lapisan convolutional, pooling, activation, dan seluruhnya terhubung.
Convolution Neural Network (CNN) sendiri menerapkan filter pada gambar masukan dengan menggesernya melintasi bagian tertentu untuk menghasilkan peta aktivasi.
Jaringan ini terdiri dari lapisan-lapisan yang menggunakan backpropagation untuk mempelajari fitur melalui Ini mengubah bobot dan bias untuk menghasilkan output yang akurat.
Early Blight Late Blight Leaf Mold Septoria Leaf Spot Spider Mites Target Spot Tomato Yellow Leaf Curl Virus Tomato Mosaic Virus Healthy Powder Mildew Dataset Dataset yang digunakan berasal dari Kaggle dengan nama dataset AuTomato DatasetAy.
Dataset terdiri dari 20.
000 lebih gambar daun tomat dan terbagi menjadi 11 kelas, yaitu :
Bacterial Spot Early Blight Late Blight Leaf Mold Septoria Leaf Spot Spider Mites Target Spot Tomato Yellow Leaf Curl Virus Tomato Mosaic Virus Healthy Powder Mildew Kemudian dataset dibagi data training 80% .
validation 20% .
, dan testing .
Jumlah data pada tiap kelas dapat dilihat pada Tabel I berikut.
TABEL I
JUMLAH GAMBAR SETIAP KELAS
Kelas EfficientNetB0 Convol Model EfficientNetB0 menggunakan metode penskalaan gabungan untuk mengoptimalkan kedalaman, lebar, dan resolusi agar akurasi dan efisiensi komputasi tetap Dengan menggunakan arsitektur neural yang meningkatkan kinerja sekaligus mengurangi jumlah sumber daya yang dibutuhkan sehingga cocok untuk lingkungan yang memiliki sumber daya terbatas.
Model ini bekerja dengan Jumlah Gambar Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 27 Ae 32 Preprocessing Data Tahap preprocessing dilakukan untuk meningkatkan suatu kualitas pada data sebelum masuk kedalam proses training yang meliputi langkah berikut :
Resize gambar menjadi 224 y 224 piksel.
Normalisasi citra.
Augmentasi data menggunakan rotasi, zoom, horizontal flip, dan perubahan brightness.
Pembagian dataset menjadi train, validation, dan test.
Augmentasi dilakukan menggunakan ImageDataGenerator pada TensorFlow.
HASIL
Dengan menggunakan dataset Kaggle dengan dataset 20.
lebih gambar tentang penyakit pada daun tomat, penelitian ini menghasilkan model klasifikasi penyakit dengan basis model EfficientNetB0 yang telah dilatih.
Pelatihan yang telah dilakukan sebanyak 50 epochs sesuai dengan konfigurasi yang telah ditetapkan dan dibantu dengan mekanisme ReduceLROnPlateau aktif untuk menyesuaikan dengan tingkat pembelajaran secara Akurasi Training dan Pengujian Hasil evaluasi pada model data validasi menunjukkan bahwa model mencapai akurasi terbaik pada validasi sebesar 87,27% pada epochs ke-49 dan akurasi pelatihan sebesar 99,63% pada epochs ke-50.
Kurva pada akurasi pelatihan menunjukkan peningkatan yang konsisten dari epochs pertama .
,86%) hingga epochs ke-50 .
,60%), sementara akurasi validasi meningkat secara bertahap dari 46,00% pada epochs pertama menjadi perbedaan yang cukup besar antara ketepatan pelatihan dan ketepatan validasi, sehingga menunjukkan adanya Namun seiring berjalannya pelatihan dengan bantuan mekanisme ReduceLROnPlateau, model terus menunjukkan tren peningkatan validasi yang signifikan.
Model terus mengalami peningkatan akurasi yang signifikan selama proses pelatihan pada dataset sebanyak 50 epochs.
Training accuracy pada epochs pertama mencapai 87,86% dengan val_accuracy 46,00% dan val_loss 5,4121.
Penyesuaian pada tingkat pembelajaran oleh ReduceLROnPlateau telah meningkatkan tingkat akurasi validasi.
Ini menurunkan LR dari 0,001 menjadi 0,0005 pada epochs ke-11 lalu menjadi 0,00025 pada epochs ke-30 dan seterusnya.
Dengan val_accuracy 87,27% dan val_loss 0,8212 model terbaik di-restrore dari epochs ke-49.
Val_Loss yang berhasil ditekan dari 5,41 pada epochs pertama menjadi 0,82 pad epochs ke-49 telah menunjukkan konvergensi yang baik.
Namun masih terdapat gap diantara pelatihan dan validasi yang perlu diperhatikan Arsitektur Model Model yang dibangun dengan menggunakan model EfficientNetB0 pretrained ImageNet sebagai feature extractor.
Setelah GlobalAveragePooling2D.
BatchNormalization.
Dropout dan Dense.
Konfigurasi model meliputi beberapa hal sebagai berikut Input size : 224 y 224 y 3 Optimizer : Adam Epoch : 50 Batch size : 32 Activation : Softmax Loss Function : Categorical Crossentropy Arsitektur EfficientNetB0 Penelitian ini menggunakan transfer learning dengan model EfficientNetB0 sebagai model utama yang dilatih pada dataset ImageNet.
Arsitektur dapat dilihat pada Tabel II berikut.
TABEL II
ARSITEKTUR EFFICIENTNETB0
Layer.
Output Shape Parameter efficientnetb0 (Functiona.
(None, global_average_pooling2d (GlobalAveragePooling2D) (None, batch_normalization (BatchNormalizatio.
(None, dense (Dens.
(None, dense_1 (Dens.
(None, dense_2 (Dens.
(None.
Performa Model Classification Report Laporan klasifikasi digunakan untuk memeriksa performa pada model secara lebih terperinci yang mencakup nilai accuration, recall dan F1-score pada setiap kelas yang ada.
Hasil selengkapnya dapat dilihat pada Tabel i berikut.
TABEL i HASIL CLASSIFICATION REPORT
Kelas Precision Recall F1Score
Support
0,99
0,18
0,30
0,97
0,19
0,31
Late Blight
1,00
0,53
0,69
Leaf Mold
Septoria
Leaf Spot
0,97
0,85
0,90
0,56
0,83
0,67
Bacterial Spot Early Blight Total parameter : 4.
Trainable parameter : 793.
Non-trainable parameter : 4.
Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 27 Ae 32
Kelas Precision Recall Support
0,89
F1Score
0,86
Spider Mites 0,84 Target Spot
Tomato
Yellow Leaf
Curl Virus
Tomato
Mosaic
Virus
Healthy Powdery Mildew
Macro Avg
Weighted Avg
0,48
0,98
0,64
0,66
0,98
0,79
0,92
0,97
0,95
0,68
0,81
0,74
0,42
0,99
0,59
0,77
0,74
0,68
0,81
0,70
0,67
GAMBAR II.
CONFUSION MATRIX (%)
Pada Tabel i telah menunjukkan bahwa kelas Target Spot memiliki recall yang paling tinggi dengan nilai 0,98 lalu diikuti oleh Tomato Yellow Leaf Curl Virus sebesar 0,98 dan Powdery Mildew sebesar 0,99.
Karena jumlah sampel yang digunakan paling sedikit, kelas Powdery Mildew juga menerima F1-score yang paling sebanding dengan kelas yang lain.
Sebaliknya dengan Powdery Mildew, pada kelas Bacterial Spot memiliki keakuratan tertinggi dengan nilai 0,99, tetapi keakuratannya menjadi rendah dengan nilai 0,18 dan hasil dari F1-score hanya 0,30.
Early Blight juga memiliki keakuratan tinggi dedngan nilai 0,97 namun dengan nilai keakuratan 0,19.
Hasil ini menunjukkan bahwa model sangat berhati hati dalam memprediksi setiap data dari setiap kelas tersebut dengan sedikit false positive namun banyak false negative dalam sampel Secara keseluruhan, nilai F1-score tertimbang pada rata rata adalah 0,67 deengan akurasi validation 70,27%.
Hal itu menunjukkan bahwa model yang digunakan menghadapi kesulitan dalam membedakan setiap kelas yang ada dengan kemiripan visual yang tinggi.
Prediksi yang telah dihasilkan oleh model untuk setiap kelas ditunjukkan oleh Confusion Matrix hasil prediksi model pada data validasi.
Secara umum untuk kelas tertentu model mampu langsung mengklasifikasikan sebagian besar sampel ke kelas yang benar.
Namun beberapa kelas mengalami misklasifikasi yang signifikan.
Bacterial Spot Class mengalami misklasifikasi terbesar dari yang lain, hanya 17,6% sampel yang dianggap benar sementara 30,7% sampel dianggap sebagai Septoria Leaf Spot dan 28,1% sebagai Target Spot.
Pada kelas Early Blight juga mengalami masalah serupa hanya dengan 18,7% akurasi per kelas dan banyak sampel dianggap sebagai Septoria Leaf Spot dengan nilai 35,5% dan Target spot dengan nilai 34,2%.
Pada Powdery Mildew memiliki akurasi tertinggi sebesar 98,7% per kelasnya dan diikuti oleh virus bercak kuning pada daun dengan nilai 98,2%, virus mosaik tomat dengan nilai 97,1%.
Ini mungkin terjadi karena disebabkan oleh fakta bahwa bercak bakteri.
Early Blight.
Septoria Leaf, dan titik tujuan memiliki beberapa kemiripan visual dimana hal tersebut telah menyulitkan model untuk membedakan keempat kelas tersebut.
Confusion Matrix GAMBAR I.
CONFUSION MATRIX (COUNT)
Performa pada Epochs Selama training, mekanisme ReduceLROnPlateau aktif sebanyak empat kali.
Penurunan rasio pembelajaran dari 0,001 menjadi 0,0005 terjadi pertama kali pada epochs ke-11 yang menghasilkan peningkatan rasio keakuratan dari 50,23% menjadi 55,21% pada epochs ke-12.
Penurunan kedua terjadi pada epochs ke-30 dari 0,0005 menjadi 0,00025 yang menghasilkan peningkatan signifikan dari 67,58% menjadi 73,05% pada epochs ke-33.
Training kemudian menyelesaikan seluruh 50 epochs sesuai konfigurasi dengan model terbaik dikembalikan dari epochs ke-49 berdasarkan val_accuracy tertinggi sebesar 87,27% dan val_loss sebesar 86,70%.
Selanjutnya ada penurunan keempat dari 0,000125 menjadi 0,0000625 pada epochs ke-47 yang menghasilkan lonjakan terakhir dari 83,10% menjadi 86,70% pada epochs ke-48 dan puncak sebesar 87,27% pada epochs ke-49.
IV.
PEMBAHASAN
Dalam epochs ke-49, model CNN berbasis EfficientNetB0 yang dikembangkan dalam penelitian ini mencapai akurasi pembelajaran terbaik sebesar 99,63% dan akurasi validasi terbaik sebesar 87,27%.
Hasil penelitian ini menunjukkan Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 27 Ae 32 EfficientNetB0 yang dilatih pada dataset ImageNet sangat efektif dalam tugas klasifikasi gambar penyakit daun tomat.
Kumpulan data yang menggabungkan gambar lapangan nyata dan data Kaggle PlantVillage menghasilkan klasifikasi penyakit daun tomat yang sangat akurat.
Ini menunjukkan keefektifannya untuk aplikasi pertanian khusus ini.
Transfer learning memungkinkan model menggunakan pengetahuan dari tugas tugas yang terkait dengan kumpulan data berlabel lebih besar untuk meningkatkan kinerja pada kumpulan data yang lebih kecil.
Ini memungkinkan model memanfaatkan representasi fitur yang telah dipelajari dari data skala besar, yang menghasilkan penyatuan yang lebih cepat dan kinerja yang lebih baik pada kumpulan data yang lebih kecil.
Teknik ini mencegah overfitting dan mempercepat konvergensi, sehingga sangat efektif dalam penggunaannya.
Performa ini sejalan dengan penelitian sebelumnya yang menggunakan arsitektur CNN berbasis transfer learning untuk klasifikasi penyakit pada tanaman.
Bergantung dengan kualitas dan ukuran dataset yang digunakan, model biasanya mencapai akurasi 85% hingga 99%.
Target Spot memperoleh F1score tertinggi sebesar 0,98 pada recall, sedangkan Tomato Yellow Leaf Curl Virus dan Tomato Mosaic Virus menunjukkan kinerja recall yang sangat baik masing-masing 0,98 dan 0,97.
Sebaliknya, kelas Bacterial Spot dan Early Blight menunjukkan kinerja recall yang sangat rendah, masing-masing 0,18 dan 0,19 yang menunjukkan bahwa kedua kelas ini memiliki model kesulitan mendeteksi meskipun tingkat ketepatannya tinggi.
Ini mungkin karena distribusi visual yang tumpang tindih dengan Septoria Leaf Spot dan Late Blight.
Ada overfitting, yang wajar karena model dilatih dengan 25.
851 sampel pelatihan versus 683 sampel validasi.
Ada gap besar antara ketepatan pelatihan .
,63 %) dan ketepatan validasi .
,27 %).
Terbukti bahwa penggunaan variasi data tambahan, seperti rotasi, zoom, flip horizontal, dan perubahan kecerahan untuk membantu meningkatkan generalisasi model.
Untuk penelitian mendatang disarankan untuk mempelajari metode penyempurnaan lebih lanjut pada lapisan dasar EfficientNetB0.
Ini akan melibatkan penggunaan dataset yang lebih luas dari lingkungan pertanian nyata serta penerapan model untuk pengujian lapangan langsung melalui aplikasi mobile atau web.
pada penggabungan data lapangan nyata dan metode penyempurnaan lanjutan.
REFERENSI