Terbit online pada laman web jurnal: https://jurnal.
id/index.
php/tematik/index Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
212 - 222
ISSN Media Elektronik: 2443-3640 Model Prediktif Penyakit Tanaman Tomat Menggunakan Arsitektur EfficientNetB0 Tomato Disease Prediction Model Using EfficientNetB0 Architecture Tri Ferga Prasetyo1.
Sunardi2.
Abdul Fadlil3 1Program Studi Doktor Informatika.
Universitas Ahmad Dahlan.
Yogyakarta.
Indonesia 1Progam Studi Informatika.
Universitas Majalengka.
Majalengka.
Indonesia 2,3Program Studi Teknik Elektro,Universitas Ahmad Dahlan.
Yogyakarta.
Indonesia 12537083010@webmail.
id, 2sunardi@mti.
id, 3fadlil@mti.
Abstract Tomato (Solanum lycopersicu.
is highly vulnerable to a range of foliar diseases that can reduce yield and hinder crop quality, particularly when early symptoms are difficult to distinguish in field conditions.
To address this challenge, this study develops a predictive model for automatic tomato leaf disease classification using a lightweight EfficientNetB0 architecture.
The dataset consists of 5,967 images from nine categories, combining 70% publicly available Kaggle PlantVillage data and 30% real-field images captured under natural outdoor illumination.
The methodological pipeline includes preprocessing, data augmentation, and transfer learning, followed by fine-tuning of the upper layers of EfficientNetB0 to improve its ability to generalize toward field-specific variations such as uneven lighting and complex backgrounds.
Evaluation results show that the model achieves an accuracy of 89%, with macro-average and weighted-average scores of 90%.
These findings demonstrate that EfficientNetB0 provides an effective balance between predictive accuracy and computational efficiency, supporting its potential deployment in early detection systems and edge-based agricultural applications for real-time tomato disease monitoring.
Keywords: CNN.
Deep Learning.
EfficientNetB0.
Plant Disease Detection.
Tomato Abstrak Tomat (Solanum lycopersicu.
sangat rentan terhadap berbagai penyakit daun yang dapat menurunkan hasil panen dan memengaruhi kualitas tanaman, terutama ketika gejala awal sulit dibedakan secara visual di kondisi lapangan.
Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan model prediksi untuk klasifikasi otomatis penyakit daun tomat menggunakan arsitektur ringan EfficientNetB0.
Dataset yang digunakan terdiri dari 5.
967 citra dalam sembilan kategori, yang merupakan kombinasi dari 70% data publik PlantVillage (Kaggl.
dan 30% citra lapangan nyata yang diambil dengan pencahayaan alami di luar ruangan.
Tahapan metodologi meliputi prapemrosesan, augmentasi data, dan transfer learning, kemudian dilanjutkan dengan fine-tuning pada lapisan atas EfficientNetB0 untuk meningkatkan kemampuan generalisasi terhadap variasi khas lapangan seperti pencahayaan tidak merata dan latar belakang kompleks.
Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 89%, dengan nilai macro-average dan weighted-average sebesar 90%.
Temuan ini menunjukkan bahwa EfficientNetB0 mampu memberikan keseimbangan yang efektif antara akurasi prediksi dan efisiensi komputasi, sehingga mendukung potensinya untuk diterapkan pada sistem deteksi dini serta aplikasi pertanian berbasis edge device untuk pemantauan penyakit tomat secara real-time.
Kata kunci: CNN.
Deep Learning.
Deteksi Penyakit Tanaman.
EfficientNetB0.
Tomat Pendahuluan Pertanian merupakan sektor strategis yang berperan penting dalam pemenuhan kebutuhan pangan serta menopang perekonomian di berbagai negara, termasuk Indonesia .
, .
Salah satu komoditas hortikultura yang memiliki nilai ekonomi tinggi dan peran penting dalam ketahanan pangan adalah tomat (Solanum Tomat banyak dimanfaatkan sebagai bahan pangan maupun bahan baku industri dengan tingkat permintaan yang relatif stabil.
Namun demikian, produktivitas dan kualitas tomat sangat rentan terhadap gangguan penyakit tanaman, khususnya penyakit daun, yang dapat menyebabkan penurunan hasil panen secara signifikan apabila tidak terdeteksi sejak dini.
Produksi tomat global menunjukkan tren peningkatan dari tahun ke tahun, dengan Indonesia berkontribusi sekitar 1,14 juta ton dan menunjukkan kecenderungan pertumbuhan positif dalam beberapa dekade terakhir, .
Dalam konteks ilmu pertanian modern .
rop scienc.
, produktivitas tanaman ditentukan oleh keterpaduan antara pemuliaan tanaman, fisiologi tanaman, dan ekologi tanaman, termasuk interaksi Diterima Redaksi: 04-12-2025 | Selesai Revisi: 17-12-2025 | Diterbitkan Online: 02-01-2026 PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
tanaman dengan hama dan penyakit .
Penyakit daun tomat seperti Early Blight.
Late Blight.
Septoria Leaf Spot, serta penyakit akibat bakteri dan virus merupakan faktor pembatas utama dalam sistem budidaya tomat, terutama pada wilayah beriklim tropis yang memiliki kelembapan tinggi .
, .
Gambar 1.
Peta Produksi Tomat Dunia Tahun 2023 .
Indonesia bergantung pada sektor agrikultur sebagai sumber penghasilan utama yang mendukung ekonomi negara .
Sebagian besar warga Indonesia bekerja sebagai petani.
Perkembangan teknologi memberikan manfaat perubahan yang dibawa oleh revolusi industri Teknologi ini membawa dampak signifikan di berbagai sektor industri di Indonesia, termasuk di bidang pertanian.
Kementerian Pertanian sangat mendukung transformasi pertanian menuju industri 4.
Berdasarkan hasil Sensus Pertanian 2023 yang dirilis oleh Badan Pusat Statistik (BPS), jumlah usaha pertanian perorangan di Indonesia tercatat sekitar 29,34 juta unit, menurun dari 31,7 juta unit pada tahun 2013 (BPS, 2.
Penurunan ini menunjukkan urgensi regenerasi petani muda yang melek teknologi untuk menjaga keberlanjutan sektor pertanian.
Salah satu tanaman yang menarik perhatian adalah varietas tanaman hortikultura.
Hortikultura merupakan salah satu cabang ilmu dalam bidang pertanian yang mencakup semua aktivitas pengelolaan tanaman buah, sayur, tanaman obat, dan tanaman hias.
Hortikultura berperan sebagai sumber makanan, komponen kesehatan, dan elemen keindahan .
Hortikultura memiliki kontribusi yang signifikan dalam pemenuhan kebutuhan nutrisi masyarakat, memberikan bahan mentah untuk industri farmasi dan kosmetik, serta menghias lingkungan .
, .
Produk hortikultura memiliki nilai ekonomi tinggi dan umumnya memerlukan metode budidaya yang lebih intensif .
, termasuk penerapan teknologi canggih seperti sistem irigasi otomatis, jaringan Internet of Things (IoT), dan kecerdasan buatan atau Artificial Intelligent (AI) untuk meningkatkan hasil pertanian serta kualitas produk .
Salah satu perhatian utama dalam kajian hortikultura zaman sekarang adalah penciptaan sistem cerdas untuk budidaya tomat, yang memanfaatkan kombinasi IoT dan AI untuk meningkatkan pertumbuhan tanaman .
, mendeteksi berbagai penyakit, serta mengatur lingkungan tanam secara langsung .
Dalam hortikultura yang semakin menantang akibat perubahan iklim, tekanan hama-penyakit .
, dan intensifikasi budidaya, tomat (Solanum lycopersicu.
tetap menempati posisi strategis sebagai komoditas pangan dan ekonomi yang rentan terhadap kerugian hasil besar ketika serangan penyakit daun seperti Early Blight (Alternaria spp.
Late Blight (Phytophthora spp.
Septoria Leaf Spot, dan bercak bakteri terjadi secara endemik atau epidemik .
Keadaan ini menuntut sistem deteksi dini yang cepat, akurat, dan dapat dioperasionalkan di lapangan agar intervensi agronomis dapat dilaksanakan secara tepat waktu dan ekonomis .
Beberapa penelitian awal menunjukkan bahwa teknik visi komputer dan deep learning mampu mencapai akurasi deteksi yang tinggi pada dataset terkontrol .
Salah satu studi penting menggunakan dataset PlantVillage .
967 citr.
dan berhasil membuktikan bahwa metode ini layak digunakan untuk klasifikasi penyakit tanaman.
Namun, penelitian tersebut juga menyoroti adanya penurunan kinerja ketika model diterapkan pada kondisi lapangan yang lebih kompleks .
omain shif.
Variasi pencahayaan, latar belakang, jenis varietas tanaman, serta perbedaan perangkat kamera dapat memengaruhi hasil prediksi.
Karena itu, pengembangan model tidak hanya harus fokus pada akurasi .
tetapi juga pada efisiensi komputasi.
Aspek ini penting agar model dapat dijalankan pada perangkat edge seperti smartphone atau Raspberry Pi tanpa mengurangi keandalan prediksi.
Kemajuan deep learning, khususnya Convolutional Neural Network (CNN), telah mempercepat pengembangan sistem deteksi penyakit tanaman berbasis citra.
Berbagai arsitektur seperti ResNet.
InceptionV3, dan YOLOv8 telah diterapkan dengan tingkat kinerja yang beragam .
, .
Meskipun demikian, banyak model masih menghadapi keterbatasan dalam efisiensi komputasi dan ukuran parameter ketika diimplementasikan pada perangkat lapangan .
Dalam aspek desain arsitektur, keluarga EfficientNet menawarkan terobosan melalui mekanisme compound scaling, yakni pengaturan simultan terhadap kedalaman, lebar, dan resolusi model.
Pendekatan ini memungkinkan keseimbangan yang lebih baik antara akurasi dan biaya komputasi .
Varian EfficientNetB0 hingga B7 terbukti memiliki performa transfer learning yang kuat pada berbagai tugas visi komputer.
DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
sehingga menjadi fondasi yang menarik untuk aplikasi pertanian presisi .
Varian yang lebih ringan seperti EfficientNet-B0 sering dipilih karena jejak memori yang kecil dan latensi inferensi yang rendah .
Karakteristik ini menjadikannya relevan untuk sistem deteksi dini penyakit tanaman tomat yang perlu berjalan pada perangkat dengan sumber daya terbatas, seperti smartphone atau modul edge computing.
EfficientNetB0 menjadi salah satu arsitektur CNN modern yang menawarkan efisiensi tinggi dengan akurasi kompetitif melalui pendekatan compound scaling .
, .
Dengan kapasitas ringan dan kemampuan generalisasi yang baik, model ini potensial digunakan sebagai dasar sistem pendeteksi penyakit tomat berbasis citra daun yang siap diterapkan pada skala operasional .
Tujuan penelitian ini adalah mengimplementasikan dan mengevaluasi performa model prediktif penyakit tomat menggunakan arsitektur EfficientNetB0, dengan fokus pada akurasi dan efisiensi komputasi tanpa integrasi data lingkungan atau sensor tambahan .
Sejumlah penelitian terdahulu telah mengkaji penerapan deep learning untuk klasifikasi penyakit daun tomat berbasis citra.
Saeed et al.
menerapkan pendekatan transfer learning berbasis Convolutional Neural Network (CNN) untuk mendeteksi penyakit daun tomat dan melaporkan akurasi tinggi pada dataset PlantVillage.
Namun, penelitian tersebut dilakukan pada lingkungan data yang relatif terkontrol sehingga belum sepenuhnya merepresentasikan kondisi lapangan yang kompleks.
Sun et al.
mengusulkan pendekatan deep learning berbasis fusi fitur global dan lokal untuk mendeteksi penyakit daun tomat dengan performa yang baik, namun arsitektur yang digunakan memiliki kompleksitas komputasi yang relatif tinggi sehingga kurang optimal untuk implementasi pada perangkat Penelitian lain oleh Desai et al.
memanfaatkan CNN untuk deteksi penyakit daun secara real-time pada Raspberry Pi, tetapi menghadapi keterbatasan akurasi ketika diaplikasikan pada variasi pencahayaan dan latar belakang alami.
Beberapa studi juga mengevaluasi berbagai arsitektur CNN modern sepertinResNet.
Inception, dan MobileNet untuk klasifikasi penyakit tanaman .
, .
Meskipun model-model tersebut menunjukkan performa yang kompetitif, sebagian besar masih memiliki ukuran parameter yang besar atau latensi inferensi yang tinggi, sehingga kurang efisien untuk aplikasi pertanian presisi berbasis perangkat dengan sumber daya terbatas.
Berdasarkan tinjauan tersebut, masih diperlukan pengembangan model klasifikasi penyakit daun tomat yang tidak hanya akurat, tetapi juga ringan dan efisien secara komputasi.
Oleh karena itu, penelitian ini memfokuskan penggunaan arsitektur EfficientNetB0 yang memiliki keseimbangan optimal antara akurasi dan efisiensi melalui mekanisme compound scaling, serta diuji menggunakan kombinasi dataset publik dan citra lapangan nyata untuk meningkatkan kemampuan generalisasi model terhadap kondisi operasional di Metode Penelitian Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit tanaman tomat berbasis citra daun menggunakan arsitektur EfficientNetB0.
Kerangka umum penelitian ditunjukkan pada Gambar 2.
Metode Penelitian mulai dari perencanaan, pengumpulan data, pra-pemrosesan data, pembagian data, pelatihan model, hingga tahap evaluasi dan pengujian.
Tahapan pertama yaitu perencanaan, dimulai dengan perumusan masalah yang menyoroti kesulitan petani dalam mendeteksi penyakit daun tomat secara dini melalui pengamatan visual.
Setelah itu dilakukan studi literatur terhadap penelitian terdahulu untuk meninjau efektivitas model CNN dalam pengenalan pola penyakit tanaman dan mengevaluasi keunggulan arsitektur modern seperti ResNet.
MobileNet, serta EfficientNet dari sisi efisiensi parameter dan ketepatan klasifikasi.
Data yang digunakan dalam penelitian ini berasal dari dua sumber utama, yaitu dataset publik (PlantVillag.
dan data lapangan hasil pengambilan citra secara langsung di area pertanian tomat di daerah pangalengan bandung dan garut Pengumpulan data lapangan bertujuan untuk memperkaya variasi kondisi pencahayaan, latar belakang, dan orientasi daun, sehingga model yang dibangun memiliki kemampuan generalisasi lebih baik terhadap kondisi nyata.
Secara keseluruhan, dataset terdiri atas sembilan kelas penyakit, yakni Early Blight.
Blossom End Rot.
Rotten Tomato.
Tomato Anthracnose.
Septoria Leaf Spot.
Bacterial Spot.
Tomato Yellow Leaf Curl Virus.
Spotted Wilt Virus, dan Late Blight.
Seluruh citra yang diperoleh melalui kedua sumber tersebut diproses terlebih dahulu agar memenuhi standar input arsitektur EfficientNetB0.
Setiap citra dikonversi ke format RGB dan diubah ukurannya menjadi 224y224 piksel.
Nilai piksel kemudian dinormalisasi ke rentang .
untuk mempercepat proses konvergensi selama pelatihan.
DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
nilai intensitas baru pada koordinat .
setelah citra diputar sebesar sudut .
Variabel x dan y merupakan posisi koordinat piksel sebelum rotasi, sedangkan fungsi I.
cos Ae ysin, xsin yco.
menunjukkan posisi piksel asal yang digunakan untuk menghasilkan nilai intensitas pada posisi yang baru.
Operasinya bekerja dengan menghitung koordinat lama berdasarkan sudut rotasi, lalu mengambil nilai intensitas piksel dari posisi tersebut .
nterpolasi bilinear biasanya digunakan agar hasil lebih halu.
Dengan cara ini, citra dapat diputar tanpa mengubah struktur nilai intensitas aslinya, hanya memindahkan posisinya dalam ruang koordinat.
Arsitektur EfficientNetB0 digunakan sebagai tulang punggung .
model untuk mengekstraksi fitur penting dari citra daun.
Arsitektur ini dipilih karena memiliki keseimbangan optimal antara akurasi dan efisiensi komputasi melalui mekanisme compound scaling yang menyesuaikan kedalaman, lebar, dan resolusi jaringan secara proporsional.
Gambar 2 Metode Penelitian Normalisasi MinAeMax bertujuan untuk mengubah nilai asli X kedalam rentang 0Ae1 agar seluruh data berada pada skala yang sama.
Prosesnya dilakukan dengan mengurangi nilai X dengan nilai minimum fitur (X_mi.
, lalu hasilnya dibagi dengan selisih antara nilai maksimum dan minimum (X_max Oe X_mi.
Nilai X' adalah nilai yang telah dinormalisasi.
X adalah nilai awal.
X_min adalah nilai terkecil pada fitur tersebut, sementara X_max adalah nilai terbesarnya.
Dengan cara ini, nilai terendah akan menjadi 0 dan nilai tertinggi menjadi 1, sehingga model dapat belajar secara lebih stabil dan konsisten .
Persamaan .
menunjukkan cara kerja normalisasi MinAeMax, yaitu proses mengubah nilai asli suatu fitur X menjadi nilai baru XAdalam rentang 0 sampai 1 ycUA = ycU Oe ycU_ycoycnycu ycUmax OeycUm Untuk meningkatkan keragaman dataset tanpa menambah jumlah data secara signifikan maka diterapkan proses augmentasi berupa rotasi acak, flipping horizontal, dan zoom acak sebesar A20%.
Augmentasi ini membantu model agar lebih tangguh terhadap variasi bentuk, posisi, dan orientasi daun yaA .
cu, y.
= ya.
cu O ycaycuycyuE Oe yc O ycycnycuyuE , ycu O ycycnycuyuE yc O ycaycuycyuE) .
Persamaan .
digunakan untuk melakukan transformasi rotasi pada citra, dimana I'.
adalah Lapisan backbone dibekukan dengan menerapkan strategi transfer learning sehingga bobot pra-latih dari ImageNet dapat dimanfaatkan sebagai ekstraktor fitur Di atas lapisan tersebut ditambahkan blok GlobalAveragePooling2D.
Dropout layer dengan laju 0,3 untuk mengurangi risiko overfitting, dan Dense layer beraktivasi softmax dengan jumlah neuron sesuai sembilan kelas penyakit tomat.
Lapisan klasifikasi ini memiliki total parameter terlatih sebanyak 11.
menjadikan model efisien untuk implementasi di perangkat dengan sumber daya terbatas.
Proses pelatihan dilakukan menggunakan optimizer Adam dengan learning rate sebesar 0,001 dan fungsi kerugian .
oss functio.
categorical cross-entropy Kerangka penelitian yang ditunjukkan pada gambar 2 metode penelitian menggambarkan alur sistematis mulai dari perencanaan hingga tahap pelaporan.
Proses dimulai dengan perumusan masalah dan studi literatur sebagai dasar penetapan arah penelitian.
Selanjutnya dilakukan pengumpulan data citra dari dataset publik maupun data tambahan dari pengambilan gambar secara langsung.
Data tersebut kemudian melalui tahap prapemrosesan untuk menormalkan kualitas citra, diikuti augmentasi guna meningkatkan keragaman data dan mengurangi risiko overfitting.
Dataset dibagi kedalam subset pelatihan, validasi, dan pengujian untuk memastikan evaluasi model yang Model klasifikasi kemudian dibangun dan dilatih menggunakan data pelatihan, sementara performanya dipantau melalui data validasi.
Setelah model mencapai performa optimal, dilakukan evaluasi akhir menggunakan data uji.
Tahap terakhir adalah pengujian dengan data luar untuk menilai kemampuan generalisasi model pada kondisi nyata sebelum penelitian dinyatakan selesai.
DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Hasil dan Pembahasan Penelitian ini menghasilkan model klasifikasi penyakit tanaman tomat berbasis citra daun dengan arsitektur EfficientNetB0.
Model dirancang untuk mengenali sembilan kelas penyakit utama dengan efisiensi parameter tinggi dan akurasi yang stabil.
EfficientNetB0 menyeimbangkan akurasi dan kecepatan inferensi melalui mekanisme compound scaling, menjadikannya ideal untuk sistem edge computing dan aplikasi pertanian cerdas.
lingkungan yang hangat dan lembab, terkhusus saat terdapat cipratan air dari hujan ataupun irigasi.
Bacterial Spot dapat mengakibatkan penurunan signifikan pada kualitas dan kuantitas hasil panen buah.
Pengumpulan Dataset Dataset yang digunakan dalam penelitian ini merupakan gabungan dari beberapa sumber untuk memastikan keragaman visual dan tingkat generalisasi yang baik pada model.
Sumber pertama berasal dari PlantVillage yang diunduh melalui Kaggle dengan ribuan citra daun tomat yang telah dikategorikan menurut jenis penyakit.
Dataset ini dipilih karena memiliki anotasi yang jelas, kualitas citra tinggi, dan telah menjadi referensi standar dalam penelitian klasifikasi penyakit tanaman berbasis deep learning.
Selain itu, dataset tambahan diambil dari repositori Mendeley Data untuk memperkaya variasi pola penyakit yang mungkin tidak sepenuhnya terwakili pada PlantVillage, terutama untuk kategori seperti Tomato Anthracnose dan Blossom End Rot.
Dataset publik tersebut kemudian dilengkapi dengan dataset dari hasil pengambilan foto lapangan yang dilakukan secara langsung menggunakan kamera Samsung Galaxy pada kondisi siang hari dengan pencahayaan Gambar 4.
Penyakit Early Blight Penyakit Early Blight seperti terlihat pada Gambar 4 merupakan infeksi jamur yang menyerang tanaman tomat, yang disebabkan oleh Alternaria solani.
Ciri-ciri dari penyakit ini adalah munculnya bintik-bintik coklat tua yang terlihat seperti cincin konsentris pada bagian daun, batang, atau buah.
Penyakit ini biasanya menyerang tanaman yang sudah berumur dan menyebabkan daun menjadi kuning sebelum akhirnya Late blight merupakan penyakit tanaman tomat yang disebabkan oleh patogen yang mirip dengan jamur Phytophthora infestans dan sangat merusak, dapat dilihat pada Gambar 5.
Gejalanya termasuk bercak air yang cepat berubah menjadi coklat kehitaman, yang sering disertai dengan jamur putih di bawah daun.
Penyakit ini dapat dengan cepat membuat daun, batang, dan buah rusak sepenuhnya.
Gambar 3.
Penyakit Bacterial Spot Bacterial Spot merupakan infeksi yang menyerang tanaman seperti tomat, cabai, dan berbagai spesies dalam keluarga Solanaceae yang disebabkan oleh bakteri Xanthomonas, dengan fokus utama pada Xanthomonas campestris pv.
Vesicatoria seperti terlihat pada Gambar 3.
Keluhan ini memunculkan bercak kecil berwarna coklat gelap pada daun dan buah, dengan setiap bercak dikelilingi oleh halo yang berwarna Penyakit ini berkembang dengan cepat di Gambar 5.
Merupakan penyakit Late Blight Penyakit Septoria Leaf seperti pada Gambar 6 terjadi akibat infeksi jamur Septoria lycopersici.
Tandatandanya terlihat sebagai bercak kecil berwarna abuabu yang dikelilingi pinggiran coklat tua, sering kali muncul dalam jumlah yang banyak dan menyebar dengan cepat.
Kondisi ini sering kali terlihat pada cuaca DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
yang lembap dan dapat menyebabkan hilangnya daun secara signifikan.
Gambar 8.
Penyakit Blossom End Rot Gambar 6.
Penyakit Septoria Leaf Blossom end rot pada Gambar 8 bukanlah infeksi penyakit, melainkan permasalahan fisik yang disebabkan oleh kurangnya kalsium pada tomat.
Gejalanya terlihat sebagai busuk hitam atau kehitaman di bagian bawah buah .
i lokasi bung.
Hal ini sering disebabkan oleh ketidakstabilan dalam penyiraman atau rendahnya kadar kalsium (C.
di dalam tanah.
Gambar 7.
Penyakit Yellow curl virus Gambar 7 merupakan penyakit yang disebabkan oleh virus gulung daun tomat .
omato yellow leaf curl viru.
, yang ditularkan oleh kutu kebul (Bemisia tabac.
Daun menjadi menguning, menggulung ke atas, mengecil, dan kerdil.
Penyakit ini sangat merugikan karena menghasilkan hasil yang tidak dapat diterima.
Proses pengambilan citra lapangan dilakukan di beberapa kebun tomat di wilayah dataran rendah dan sedang, dengan latar belakang alami dan variasi posisi Pendekatan ini bertujuan untuk meningkatkan kehandalan model terhadap kondisi nyata yang lebih kompleks dibanding citra laboratorium.
Dataset gabungan ini terdiri dari sembilan kelas, yaitu Early Blight.
Blossom End Rot.
Rotten Tomato.
Tomato Anthracnose.
Septoria Leaf Spot.
Bacterial Spot.
Tomato Yellow Leaf Curl Virus.
Spotted Wilt Virus, dan Late Blight.
Dengan penggabungan tiga sumber ini, total data yang digunakan untuk pelatihan dan pengujian mencapai 967 citra dengan distribusi seimbang per kelas.
Setiap citra kemudian diverifikasi secara visual untuk memastikan tidak ada duplikasi, citra buram, atau citra non-daun yang dapat menurunkan akurasi model.
Gambar 9.
Merupakan penyakit buah Rotten Tomato Rotten tomato seperti terlihat pada Gambar 9 merupakan istilah umum yang digunakan untuk menggambarkan buah tomat yang mengalami kerusakan parah akibat infeksi mikroorganisme atau kondisi penyimpanan yang buruk.
Kerusakan ini dapat muncul dalam bentuk buah yang melunak, berair, berjamur, menghitam, atau mengalami pelunakan Beberapa patogen yang sering menyebabkan pembusukan pada tomat antara lain jamur Rhizopus stolonifer.
Alternaria alternata, dan berbagai bakteri pelunak jaringan .
oft rot bacteri.
seperti Pectobacterium atau Erwinia.
Istilah ini tidak merujuk pada satu jenis penyakit tertentu, melainkan mencakup berbagai bentuk pembusukan yang disebabkan oleh faktor biologis maupun lingkungan.
Tomato Spotted Wilt Virus (TSWV) pada Gambar 10 merupakan penyakit penting pada tanaman tomat yang ditularkan oleh thrips, serangga kecil pengisap cairan Infeksi virus ini menimbulkan sejumlah gejala khas, seperti daun yang menguning kecoklatan, keriput, serta menunjukkan gejala layu, terutama pada daun Pada bagian buah, penyakit ini menghasilkan pola bercak melingkar .
ing spo.
atau bercak berwarna DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
ungu-kecoklatan yang menjadi ciri utama serangan TSWV.
Penyakit ini dapat menyebar dengan cepat di lapangan karena thrips membawa dan memindahkan virus dari satu tanaman ke tanaman lainnya.
berukuran 6000 y 4000 piksel dipotong menggunakan parameter left = 2500, top = 1500, right = 3500, dan bottom = 2500, menghasilkan ukuran akhir 1000 y 1000 Proses ini bertujuan menonjolkan subjek utama serta menghilangkan bagian gambar yang tidak diperlukan sebelum tahap augmentasi dan pelatihan model dilakukan.
Augmentasi Data Setelah seluruh citra melalui proses pra-pemrosesan, tahap berikutnya adalah augmentasi data yang berfungsi untuk memperluas variasi dataset tanpa menambah jumlah data asli.
Langkah ini sangat penting untuk meningkatkan kemampuan generalisasi model, terutama ketika data pelatihan berasal dari kondisi pencahayaan, sudut pandang, dan latar belakang yang beragam di lapangan.
Gambar 10.
Penyakit Spotten Wild Virus Gambar 11.
Penyakit Tomato Anthracnose Jamur Colletotrichum seperti terlihat pada Gambar 11 menyebabkan antracnose, yaitu buah yang telah matang menunjukkan tanda-tanda seperti lekuk kecil cekung berwarna coklat yang terus melebar.
Buah menjadi lembek dan kualitasnya menurun.
Pra pemrosesan data Tahap pra-pemrosesan dilakukan untuk memastikan seluruh citra memiliki ukuran, format, dan kualitas yang seragam sebelum dimasukkan kedalam model deep Proses ini diawali dengan penghapusan area yang tidak relevan pada setiap citra untuk menonjolkan bagian daun tomat yang menjadi objek utama.
Langkah ini membantu model berfokus pada fitur penting seperti warna, bentuk, dan tekstur daun tanpa gangguan dari latar belakang.
Setelah itu, seluruh citra distandarisasi ukurannya agar memiliki dimensi seragam dan efisien secara komputasi selama pelatihan.
Proses segmentasi kemudian dilakukan untuk memisahkan objek utama dari latar belakang, sehingga sistem dapat mengenali karakteristik penyakit dengan lebih akurat.
Hasil citra yang telah melalui tahap ini disimpan dalam format PNG untuk menjaga kualitas visual.
Citra asli Proses augmentasi dilakukan secara otomatis dengan memanfaatkan pustaka TensorFlow dan Keras melalui fungsi ImageDataGenerator.
Setiap citra mengalami beberapa transformasi acak, seperti rotasi hingga 150, pergeseran sudut pandang .
dan pembesaran .
sekitar dua puluh persen, serta pembalikan arah secara horizontal.
Selain itu, seluruh nilai piksel dinormalisasi kedalam rentang antara 0 hingga 1 agar model dapat beradaptasi lebih cepat selama proses Dengan pendekatan ini, setiap citra asli dapat menghasilkan beberapa variasi baru yang tetap mempertahankan karakteristik penyakit pada daun Hasilnya, dataset menjadi lebih beragam dan representatif terhadap kondisi sebenarnya di lapangan.
Proses augmentasi ini juga membantu mengurangi risiko overfitting dengan membuat model tidak terlalu bergantung pada pola citra tertentu.
Pembagian Data Tahap pembagian data dilakukan untuk memastikan proses pelatihan, validasi, dan pengujian model berjalan secara objektif pada data yang tidak saling tumpang Dataset yang digunakan terdiri dari 5.
967 citra dengan 9 kelas penyakit, masing-masing berjumlah 663 citra, sehingga distribusi awal dataset sudah seimbang.
Pembagian dataset dilakukan menggunakan metode stratified split, agar distribusi tiap kelas tetap proporsional pada seluruh subset.
Proporsi pembagian yang digunakan adalah 70% untuk data pelatihan, 20% untuk validasi, dan 10% untuk data pengujian.
Persamaan .
, .
, .
merupakan pembagian untuk total dataset sejumlah ycA.
ya{\ycyceycuyc.
} = 0,70 y ycA ya{\ycyceycuyc.
} = 0,20 y ycA ya{\ycyceycuyc.
} = 0,10 y ycA Dengan total dataset ycA=5967 DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
N=5967, jumlah citra pada tiap subset diperoleh sebagai ya{\ycyceycuyc.
} = 0,70 y 5967 = 4176.
9 OO 4177
ya{\ycyceycuyc.
} = 0,20 y 5967 = 1193.
4 OO 1193
ya{\ycyceycuyc.
} = 0,10 y 5967 = 596.
7 OO 597
Seluruh subset data diproses menggunakan ImageDataGenerator dengan konfigurasi yang sama seperti tahap augmentasi, termasuk normalisasi piksel ke rentang .
dan penyeragaman ukuran citra ke resolusi 224y224 piksel sesuai standar arsitektur EfficientNetB0.
Pembagian data yang proporsional dan seimbang ini memastikan bahwa model belajar dari variasi data yang memadai, terhindar dari bias kelas, dan memungkinkan evaluasi performa yang lebih reliabel pada subset pengujian.
Arsitektur Model Model yang digunakan dalam penelitian ini berbasis arsitektur EfficientNetB0, yaitu salah satu varian dari keluarga EfficientNet yang dirancang untuk mencapai keseimbangan optimal antara akurasi dan efisiensi Arsitektur ini menggunakan prinsip compound scaling, dimana kedalaman, lebar, dan resolusi jaringan ditingkatkan secara proporsional untuk mendapatkan performa maksimal dengan jumlah parameter yang relatif kecil.
Pendekatan ini sangat relevan untuk implementasi pada perangkat dengan sumber daya terbatas seperti edge devices atau sistem deteksi lapangan berbasis IoT.
Proses pengembangan model dilakukan dengan memanfaatkan transfer learning menggunakan bobot pra-latih .
retrained weight.
dari dataset ImageNet.
Pada tahap awal, seluruh lapisan dasar .
ase mode.
EfficientNetB0 dibekukan untuk mempertahankan kemampuan ekstraksi fitur umum yang telah diperoleh dari pelatihan sebelumnya.
Selanjutnya, ditambahkan beberapa lapisan klasifikasi di bagian atas jaringan untuk menyesuaikan dengan kebutuhan klasifikasi penyakit daun tomat.
Struktur lapisan tambahan yang diterapkan terdiri dari Global Average Pooling 2D untuk mereduksi dimensi fitur, diikuti oleh lapisan Dropout dengan tingkat 0,3 sebagai upaya mengurangi risiko overfitting, dan lapisan Dense dengan aktivasi softmax yang memiliki sembilan neuron sesuai jumlah kelas penyakit yang digunakan dalam penelitian.
Lapisan softmax ini menghasilkan nilai probabilitas untuk setiap kelas sehingga model dapat mengidentifikasi jenis penyakit berdasarkan nilai tertinggi yang diperoleh.
Proses pelatihan dilakukan menggunakan optimizer Adam dengan learning rate sebesar 0,001 serta fungsi kerugian .
oss functio.
categorical cross-entropy karena permasalahan yang dihadapi merupakan klasifikasi multikelas.
Model dilatih menggunakan batch size 32 dan dijalankan selama beberapa epoch hingga konvergen.
Untuk mencegah overfitting, diterapkan callback EarlyStopping yang secara otomatis menghentikan proses pelatihan ketika tidak terjadi peningkatan performa pada data validasi dalam sejumlah iterasi berturut-turut.
Arsitektur EfficientNetB0 kemampuannya menghasilkan akurasi tinggi dengan jumlah parameter relatif kecil, yaitu sekitar 5,3 juta parameter total, dimana 11.
529 diantaranya merupakan parameter terlatih .
rainable parameter.
pada lapisan klasifikasi yang baru ditambahkan.
Keunggulan ini menjadikan EfficientNetB0 sangat efisien dalam inferensi tanpa mengorbankan akurasi sehingga cocok diterapkan pada sistem cerdas berbasis edge computing untuk deteksi penyakit tanaman secara real-time di Proses Pelatihan dan Evaluasi model Tahap pelatihan model dilakukan setelah seluruh dataset selesai melalui proses pra-pemrosesan, augmentasi, dan pembagian data.
Proses ini bertujuan untuk mengoptimalkan bobot jaringan EfficientNetB0 agar mampu mengenali pola visual penyakit daun tomat secara akurat .
Pelatihan dilakukan menggunakan optimizer Adam dengan learning rate awal sebesar 0,001, yang memberikan keseimbangan baik antara kecepatan konvergensi dan stabilitas pembaruan bobot.
Fungsi kerugian yang digunakan adalah categorical crossentropy karena kasus klasifikasi yang dihadapi bersifat multikelas, sementara metrik evaluasi utama yang dipantau adalah akurasi pada data pelatihan dan Selama pelatihan, digunakan batch size sebesar 32 dengan jumlah epoch maksimum sebanyak 50, disertai penerapan callback EarlyStopping untuk menghentikan proses pelatihan secara otomatis ketika performa validasi tidak menunjukkan peningkatan signifikan dalam 10 iterasi berturut-turut.
Pendekatan ini membantu mencegah terjadinya overfitting serta memastikan model berhenti pada titik konvergensi Selama proses pelatihan, kurva akurasi dan kehilangan .
dipantau untuk mengevaluasi kestabilan dan performa model.
Berdasarkan hasil pengamatan, nilai akurasi pelatihan meningkat secara konsisten hingga mencapai stabilitas, sementara nilai loss menurun signifikan pada setiap epoch.
Model terbaik disimpan ModelCheckpoint agar hasil optimal dapat digunakan pada tahap pengujian berikutnya.
Setelah proses pelatihan selesai, model diuji menggunakan data testing yang tidak pernah digunakan DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Hasil evaluasi menunjukkan bahwa model EfficientNetB0 yang telah dilatih mampu mencapai akurasi sebesar 89%, dengan nilai macro average dan weighted average masing-masing mencapai 90%.
Selain itu, analisis confusion matrix memperlihatkan bahwa sebagian besar kelas penyakit dapat diklasifikasikan dengan tingkat kesalahan yang rendah, terutama pada kelas Early Blight dan Bacterial Spot yang memiliki fitur visual serupa.
Gambar 12 dan 13 menampilkan grafik akurasi dan loss dari dua tahap pelatihan model EfficientNetB0, yaitu tahap transfer learning awal (Stage .
dan tahap finetuning.
Garis vertikal putus-putus berwarna hitam menandai titik dimulainya proses fine-tuning.
Grafik Combined Accuracy terlihat bahwa selama tahap pertama (Stage .
baik akurasi pelatihan maupun validasi mengalami peningkatan signifikan dari awal hingga mendekati epoch ke-20.
Kurva akurasi pelatihan .
aris merah putus-putu.
dan akurasi validasi .
aris hijau putus-putu.
menunjukkan pola yang hampir sejajar, menandakan bahwa model mampu belajar secara stabil tanpa overfitting.
Setelah memasuki tahap fine-tuning, akurasi kembali meningkat secara bertahap pada kedua dataset hingga mencapai nilai mendekati 0,93 pada akhir pelatihan.
Hal ini menunjukkan bahwa pembukaan sebagian lapisan EfficientNetB0 untuk penyesuaian ulang bobot memberikan kontribusi positif terhadap peningkatan performa model.
Grafik Combined Loss memperlihatkan pola penurunan loss yang konsisten seiring bertambahnya epoch.
Pada tahap pertama, nilai loss pada data pelatihan maupun validasi menurun tajam hingga mencapai stabilitas di sekitar epoch ke-18.
Selama proses fine-tuning, loss kembali turun secara perlahan pada kedua subset data dengan selisih yang kecil antara kurva pelatihan .
dan validasi .
Hal ini menunjukkan bahwa model tidak mengalami overfitting dan mampu mempertahankan keseimbangan antara kemampuan pembelajaran dan generalisasi.
Gambar 12 Grafik Hasil Pelatihan Gambar 13.
Grafik hasil dari Kombinasi Secara keseluruhan, kedua grafik menunjukkan bahwa strategi pelatihan dua tahap memberikan hasil yang Tahap transfer learning berperan penting dalam mempercepat konvergensi awal dengan memanfaatkan bobot pra-latih dari ImageNet, sedangkan tahap fine-tuning meningkatkan sensitivitas model terhadap fitur spesifik daun tomat yang terdapat pada dataset penelitian ini.
Kombinasi keduanya menghasilkan model yang stabil, akurat, dan efisien dalam mengenali pola visual penyakit tanaman.
Temuan ini membuktikan bahwa penerapan arsitektur EfficientNetB0 dengan pendekatan transfer learning efektif untuk klasifikasi penyakit daun tomat berbasis Kombinasi antara proses augmentasi data yang optimal, mekanisme fine-tuning pada lapisan atas, serta strategi pelatihan berbasis early stopping memberikan hasil yang efisien secara komputasi tanpa mengorbankan akurasi.
Hasil dan Pembahasan Hasil penelitian ini menunjukkan performa model klasifikasi penyakit daun tomat berbasis arsitektur EfficientNetB0 yang telah dioptimalkan melalui proses pra-pemrosesan, augmentasi data, dan pelatihan model secara bertahap.
Proses pelatihan dilakukan selama beberapa epoch dengan penerapan mekanisme early stopping untuk memastikan stabilitas konvergensi serta mencegah overfitting.
Selama proses pelatihan, nilai akurasi pada data pelatihan meningkat secara konsisten dari epoch awal hingga mencapai titik stabil pada kisaran 0,89.
Pada saat yang sama, nilai loss mengalami penurunan signifikan dan berhenti menurun ketika model mulai mencapai Hasil ini menunjukkan bahwa model telah belajar secara optimal tanpa kehilangan kemampuan generalisasi terhadap data baru.
Kurva akurasi dan loss antara data pelatihan dan validasi yang relatif sejajar menandakan bahwa model memiliki keseimbangan yang baik antara kompleksitas jaringan dan kapasitas DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Tabel 1.
Hasil Pemodelan Bacterial_spot Blossom_End_ Rot
Early_blight Late_blight Rotten_Tomat Septoria_leaf_ Spotted_Wilt_ Virus
Tomato_Anthr Tomato_Yello w_Leaf_Curl_ Virus
Accuracy Macro avg
Weighted avg
0,94
0,84
0,88
0,91
f1-score
0,91
0,87
0,96
0,91
0,91
0,68
0,94
0,88
0,79
0,93
0,90
0,70
0,97
0,81
0,93
0,76
0,84
0,89
0,97
0,93
1,00
0,97
0,99
0,90
0,90
0,89
0,89
0,89
0,89
0,89
Evaluasi performa seperti terlihat pada Tabel 1 dilakukan menggunakan data uji yang sepenuhnya terpisah dari proses pelatihan.
Hasil pengujian menunjukkan bahwa model mencapai akurasi keseluruhan sebesar 89%, yang berarti bahwa 89% dari seluruh citra pada data uji berhasil diklasifikasikan dengan benar oleh model.
Selain itu, model memperoleh macro average sebesar 90%, yaitu ratarata performa .
recision, recall, atau F1-scor.
yang dihitung secara merata untuk setiap kelas tanpa mempertimbangkan jumlah sampelnya, sehingga menunjukkan bahwa semua kelas penyakit diperlakukan setara oleh model.
Sementara itu, weighted average sebesar 90% menunjukkan bahwa rata-rata mempertimbangkan proporsi jumlah sampel pada setiap kelas, sehingga mencerminkan performa model secara realistis berdasarkan distribusi data asli.
Konsistensi nilai macro dan weighted average menegaskan bahwa model mampu mengenali pola visual penyakit secara merata tanpa bias terhadap kelas tertentu.
Analisis lebih lanjut seperti terlihat pada Gambar 14 terhadap confusion matrix menunjukkan bahwa sebagian besar kelas penyakit, seperti Early Blight.
Late Blight.
Septoria Leaf Spot, dan Bacterial Spot, dapat diklasifikasikan dengan benar.
Beberapa kesalahan klasifikasi masih terjadi antara kelas Septoria Leaf Spot dan Bacterial Spot, yang memiliki pola bercak daun mirip pada area tepi daun, namun perbedaannya relatif Kesalahan ini dapat diminimalkan pada penelitian lanjutan dengan memperluas variasi data lapangan dan menerapkan metode feature enhancement tambahan.
Gambar 15.
Merupakan hasil Training and Validation Accuracy Selain akurasi, metrik lain seperti precision, recall, dan F1-score juga digunakan untuk memberikan gambaran lebih komprehensif mengenai kinerja model.
Hasil evaluasi menunjukkan bahwa nilai F1-score rata-rata mencapai lebih dari 0,88, menandakan keseimbangan yang baik antara ketepatan dan sensitivitas model dalam mengenali setiap kelas penyakit seperti terlihat pada Gambar 15.
Keunggulan utama penggunaan EfficientNetB0 terlihat pada efisiensi komputasi dan ukuran parameter yang relatif kecil.
Dengan total sekitar 5,3 juta parameter dan hanya sebagian kecil yang dapat dilatih .
, model ini mampu berjalan cepat dengan konsumsi sumber daya yang Hal ini menjadikannya sangat potensial untuk diimplementasikan pada perangkat lapangan seperti Raspberry Pi, smartphone, atau sistem IoT untuk deteksi penyakit tanaman secara real-time.
Secara keseluruhan, hasil yang diperoleh membuktikan bahwa kombinasi antara transfer learning, augmentasi data yang tepat, dan arsitektur EfficientNetB0 mampu menghasilkan sistem klasifikasi yang akurat dan Temuan ini memberikan dasar kuat bagi pengembangan sistem deteksi dini penyakit tanaman tomat yang tidak hanya bekerja di lingkungan laboratorium, tetapi juga dapat diadaptasikan untuk kondisi lapangan yang sebenarnya.
Kesimpulan Gambar 14.
Merupakan grafik Confusion Matrix Penelitian ini menciptakan model klasifikasi penyakit pada tanaman tomat yang menggunakan gambar daun dengan arsitektur EfficientNetB0, yang terbukti efektif dan tepat untuk mengenali berbagai jenis penyakit pada daun tomat.
Dengan memanfaatkan metode diatas, model tersebut dapat meraih akurasi mencapai 89%, serta mendapatkan nilai makro rata-rata dan rata-rata berbobot masing-masing sebesar 90%, yang DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
PenulisTri Ferga Prasetyo.
Sunardi.
Abdul Fadlil Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
mencerminkan kinerja yang konsisten dan terpercaya.
Temuan ini menegaskan bahwa EfficientNetB0 menawarkan keseimbangan yang ideal antara ketepatan dan efisiensi dalam komputasi, sehingga sangat cocok untuk diterapkan dalam sistem deteksi dini di lapangan.
Diharapkan penelitian ini dapat mempercepat, meningkatkan keakuratan, dan mengotomatiskan proses deteksi penyakit tanaman bagi petani.
Secara keseluruhan, studi ini memberikan kontribusi yang signifikan dalam pengaplikasian pertanian presisi yang didukung oleh kecerdasan buatan, terutama pada komoditas hortikultura seperti tomat, serta membuka jalan bagi pengembangan sistem pemantauan tanaman yang pintar, adaptif, dan berkelanjutan di masa depan.
Daftar Rujukan .
Food.
World Food and Agriculture Ae Statistical Yearbook 2023.
Haj.
Adek, and R.
Suwanda.
AuImplementasi Sistem Irigasi Berbasis Internet of Things ( IoT ) Untuk Optimasi Penggunaan Air Pada Pertanian,Ay pp.
338Ae347.
Ham.
AuRegulasi Regenerasi Petani dalam Konteks Ketahanan Pangan : Sebuah Upaya dan Jaminan Perlindungan Hak Atas Pangan,Ay no.
May, 2022.
Pengelolaan and K.
Epidemik.
AuPENGENDALIAN
PENYAKIT TANAMAN PADI BERWAWASAN
LINGKUNGAN
MELALUI
PENGELOLAAN
KOMPONEN EPIDEMIK Control of EnvironmentallyBased Rice Disease Through the Management of Epidemic Components,Ay 2018.
Lloret.
AuEdge Computing in Precision agriculture,Ay no.
December 2022, pp.
1Ae1, 2023.
Parthasarathy.
Lakshmidevi.
Satya, and C.
Gopalakrishnan.
Plant Pathology Disease Management, no.
November.
Ritchie.
Hannah.
Roser.
Max.
Rosado.
AuTomato production (FAO, 2.
,Ay Global Change Data Lab.
University of Oxford, 2025.
Rusnam.
Surya, and M.
Makky.
AuWater Stress Influence For Tomato (Solanum Lycopersicu.
Production,Ay Andalasian Int.
Agric.
Nat.
Sci.
, vol.
2, no.
01, pp.
25Ae37, 2021.
Sudaryanto.
Iqbal.
Kustiari.
Dermoredjo, and Muslim.
AuTINGKAT DUKUNGAN DOMESTIK UNTUK SEKTOR PERTANIAN INDONESIA Domestic Supports to Agriculture Sector in Indonesia,Ay vol.
14, no.
73Ae82, 2016.
Hadiyanti.
Probojati, and R.
Prayoga.
AuBudidaya Tanaman Hortikultura Sistem Hidroponik untuk Menarik Minat Generasi Muda dalam Bidang Pertanian ( Cultivation of Horticultural Plants Using Hydroponic System to Attract the Interest of the Younger Generation in the Field of Agriculture ),Ay Agrokreatif J.
Ilm.
Pengabdi.
Kpd.
Masyaraka, vol.
11, no.
1, pp.
11Ae19, 2025.
dan H.
Barat.
AuProduktivitas Tomat Berdasarkan Kabupaten/Kota di Jawa Barat,Ay Pemerintah Provinsi Jawa Barat, 2024.
Nova Rahmawati.
Pinandita.
Ayu Fitriani, and E.
Ambar Pambudi.
AuDeteksi Penyakit Daun Tomat RealTime pada Platform Android Berbasis Convolutional Neural Network,Ay J.
Pendidik.
dan Teknol.
Indones.
, vol.
8, pp.
2402Ae2415, 2025.
Altieri.
Nicholls.
Dinelli, and L.
Negri.
AuTowards an agroecological approach to crop health:
reducing pest incidence through synergies between plant diversity and soil microbial ecology,Ay npj Sustain.
Agric.
2, no.
1, pp.
2Ae7, 2024.
Mardiana.
, & Windari.
AuG-Tech : Jurnal Teknologi Terapan,Ay G-Tech J.
Teknol.
Terap.
, vol.
8, no.
1, pp.
186Ae195, 2024.
Halder.
Guha Neogi.
Dutta.
Khamaru.
Bhattacharya, and S.
Roy.
AuEarly Detection and Classification of Tomato Leaf Blight Disease Using Deep Neural Networks,Ay 2nd Ie Int.
Conf.
Data Sci.
Netw.
Secur.
ICDSNS 2024, 2024.
Fithratul Zalmi.
Hari Saputro.
Sitanggang, and K.
Leatemia.
AuPenerapan Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Daun Tomat,Ay Inform.
Ilmu Komput.
, vol.
21, no.
2, pp.
58Ae68, 2025.
Marcin.
Majid.
Marzena, and U.
Elzbieta.
AuAn overview of pathology and resistance breeding,Ay Plant Dis.
, vol.
96, no.
1, pp.
4Ae17, 2012.
Saeed.
Abdel-Aziz.
Mossad.
Abdelhamid.
Alkhaled, and M.
Mayhoub.
AuSmart Detection of Tomato Leaf Diseases Using Transfer Learning-Based Convolutional Neural Networks,Ay Agric.
13, no.
1, 2023.
Sun et al.
AuEfficient deep learning Ac based tomato leaf disease detection through global and local feature fusion,Ay BMC Plant Biol.
, 2025.
Desai.
Ghewade.
Girge, and M.
Gajare.
AuReal-Time Leaf Disease Detection Using CNN on Raspberry Pi for Precision Agriculture,Ay pp.
549Ae553, 2025.
Tang et al.
AuA Precise Image-Based Tomato Leaf Disease Detection Approach Using PLPNet,Ay Plant Phenomics, vol.
5, pp.
1Ae18, 2023.
Islam.
Ferraioli, and V.
Pascazio.
AuTomato Leaf Detection.
Segmentation, and Extraction in Real-Time Environment for Accurate Disease Detection,Ay AgriEngineering, vol.
7, no.
4, pp.
1Ae16, 2025.
Islam et al.
AuMultimodal Hybrid Deep Learning Approach to Detect Tomato Leaf Disease Using Attention Based Dilated Convolution Feature Extractor with Logistic Regression Classification,Ay Sensors, vol.
22, no.
16, pp.
1Ae 31, 2022.
Thirunavukkarasu.
Oindrilla.
Sangeetha, and E.
Swetha.
AuAn Efficient Deep Learning Approach for Plant Disease Detection,Ay Proc.
2022 Int.
Conf.
Innov.
Comput.
Intell.
Commun.
Smart Electr.
Syst.
ICSES 2022, no.
July 2022, 2022.
Godase.
Technical, and E.
Society.
AuLoRaEdgeESP32 Synergy: Revolutionizing Farm Weather Data Collection with Low-Power.
Long-Range IoT,Ay no.
July.
Jean.
AuMultimodal Vision-Language Models for Early Pest and Disease Detection,Ay no.
July, 2025.
Mardianto.
Dewi, and P.
Risma.
AuAnalisis Klasifikasi Kematangan Buah Tomat dengan Pendekatan Transfer Learning Model EfficientNet,Ay vol.
11, no.
1, pp.
20Ae25.
Ingle.
Shahade.
Gaikwad, and S.
Patil.
AuMethodsX Deep learning driven silicon wafer defect segmentation and classification,Ay MethodsX, vol.
14, no.
December 2024, p.
103158, 2025.
Rustad.
Shidik.
Syukur.
Science.
Nuswantoro, and U.
Mandiri.
AuCOMPARATIVE
ANALYSIS OF CNN ARCHITECTURES FOR
TOMATO LEAF,Ay vol.
11, no.
1, pp.
125Ae135, 2025.
Han.
of I.
at UrbanaAeChampaign.
Kamber.
Pei, and S.
University.
DataMining.
DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.