Positif : Jurnal Sistem dan Teknologi Informasi
E-ISSN 2460-9552
P-ISSN 2620-3227
Article history:
Received: Jun 2, 2025 Published: Dec 6, 2025 Klasifikasi Kekeringan dan Penyakit pada Daun Padi Berdasarkan Ekstraksi Ciri Warna dan Tekstur Menggunakan CSPDarknet .
Abdul Jabbar Robbani .
Aditya Dwi Putro Wicaksono .
Dedy Agung Prabowo .
Fakultas Infromatika.
Telkom University Purwokerto email: 1 abduljabbarrobbani@student.
id,2adityaw@telkomuniversity.
dedyaprabowo@telkomuniversity.
Abstract The decline in rice productivity in Indonesia is often caused by drought and leaf diseases that are difficult to detect This condition requires a technology-based classification system that is able to provide fast and accurate diagnosis as support for decision making in the agricultural sector.
This study aims to develop a rice leaf image classification model using the CSPDarknet architecture, with a color and texture feature extraction approach.
The dataset used is the result of primary documentation that has gone through an augmentation process to increase the diversity of training data.
The model architecture consists of a CSPDarknet backbone combined with a Crostage Partial Bottleneck with two Convolutions (C2.
Spatial Pyramid Pooling - Fast (SPPF).
Global Average Pooling, and dropout to improve model generalization.
Training was carried out using the Stratified 5Fold Cross-Validation method and three optimizer variations, namely Stochastic Gradient Descent (SGD).
Adam, and AdamW.
The experimental results showed that the best model combination was achieved with the AdamW optimizer, with an average accuracy value of 99.
72%, precision of 99.
73%, recall of 99.
72%, and F1-score of These findings indicate that the proposed classification approach is able to effectively distinguish healthy, diseased, and drought-affected leaves.
In the future, this model has the potential to be further developed through the integration of Raspberry Pi-based Internet of Things (IoT) devices for real-time monitoring of plant conditions in the field.
Keywords: Rice Leaf Classification.
Drought.
Plant Disease.
CSPDarknet.
Color Extraction.
Texture Extraction Abstrak Penurunan produktivitas padi di Indonesia kerap disebabkan oleh kekeringan dan penyakit daun yang sulit terdeteksi secara dini.
Kondisi ini menuntut adanya sistem klasifikasi berbasis teknologi yang mampu memberikan diagnosis cepat dan akurat sebagai dukungan bagi pengambilan keputusan di sektor pertanian.
Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra daun padi menggunakan arsitektur CSPDarknet, dengan pendekatan ekstraksi ciri warna dan tekstur.
Dataset yang digunakan merupakan hasil dokumentasi primer yang telah melalui proses augmentasi guna meningkatkan keragaman data latih.
Arsitektur model terdiri dari backbone CSPDarknet yang dikombinasikan dengan Cross-stage Partial Bottleneck with two Convolutions (C2.
Spatial Pyramid PoolingFast (SPPF).
Global Average Pooling, dan dropout untuk meningkatkan generalisasi Pelatihan dilakukan dengan metode Stratified 5-Fold Cross-Validation serta tiga variasi optimizer, yaitu Stochastic Gradient Descent (SGD).
Adam, dan AdamW.
Hasil eksperimen menunjukkan bahwa kombinasi model terbaik dicapai dengan optimizer AdamW, dengan nilai akurasi rata-rata 99,72%, presisi 99,73%, recall 99,72%, dan F1-score 99,72%.
Temuan ini menunjukkan bahwa pendekatan klasifikasi yang diusulkan mampu membedakan daun sehat, terserang penyakit, dan mengalami kekeringan secara efektif.
Ke depan, model ini berpotensi dikembangkan lebih lanjut melalui integrasi perangkat Internet of Things (IoT) berbasis Raspberry Pi untuk pemantauan kondisi tanaman secara real-time di lapangan.
Kata Kunci: Klasifikasi Daun Padi.
Kekeringan.
Penyakit Tanaman.
CSPDarknet.
Ekstraksi Warna.
Ekstraksi
Tekstur
INTRODUCTION
Padi merupakan komoditas strategis dalam ketahanan pangan global dan sumber utama konsumsi bagi mayoritas penduduk dunia .
Indonesia, beras tidak hanya berfungsi sebagai bahan pokok, tetapi juga berperan penting dalam menjaga stabilitas sosial, ekonomi, dan politik nasional .
Untuk memenuhi permintaan konsumsi yang terus meningkat, produksi padi harus ditingkatkan baik dari segi kuantitas maupun kualitas .
Namun, data dari Badan Pusat Statistik Provinsi Jawa Tengah menunjukkan adanya penurunan luas panen sebesar 2,86% pada tahun 2023 dibanding tahun sebelumnya .
, menandakan tantangan serius dalam sektor pertanian.
Faktor utama yang mempengaruhi produktivitas adalah kondisi lingkungan, seperti perubahan iklim ekstrem yang menyebabkan kekeringan dan curah hujan berlebihan, serta serangan organisme pengganggu tanaman yang mengakibatkan penurunan hasil panen .
Penurunan produksi nasional sebesar 0,23% pada periode Januari-September 2023, diperparah oleh fenomena El Niyo di wilayah penghasil padi seperti Jawa Tengah, mempertegas urgensi penanganan masalah ini .
Identifikasi dini penyakit dan kekeringan pada daun padi masih mengandalkan metode manual yang bergantung pada pengamatan visual serta pengalaman petani, yang kerap bersifat subjektif dan kurang akurat .
Kondisi ini diperparah di wilayah seperti Desa Kaliori.
Kabupaten Banyumas, di mana mayoritas petani berusia lanjut dan menggunakan alat tradisional, sebagaimana disampaikan oleh Ketua Gapoktan setempat.
Bapak Supardi .
Gejala awal seperti bercak warna tidak normal atau pola yang tidak lazim pada daun merupakan indikator penting yang sulit terdeteksi secara dini, sehingga penyakit dan kerusakan dapat menyebar dengan cepat .
Berbagai pendekatan berbasis machine learning telah dikembangkan untuk mengatasi masalah ini, termasuk Support Vector Machine (SVM) .
Convolutional Neural Network (CNN) .
, transfer learning .
, fuzzy logic .
, dan bioinformatika .
Meski demikian, sebagian besar metode tersebut masih terbatas dalam kecepatan dan akurasi deteksi pada kondisi lapangan yang kompleks dan variatif.
Untuk mengatasi keterbatasan tersebut, penelitian CSPDarknet sebagai model klasifikasi citra daun padi yang memiliki efisiensi tinggi dan kemampuan ekstraksi ciri mendalam melalui mekanisme cross stage partial connection.
Model ini dilengkapi dengan blok cross-stage Partial Bottleneck with two Convolutions (C2.
, modul Spatial Pyramid Pooling Fast (SPPF), dan Global Average Pooling (GAP) untuk mendukung klasifikasi multi-kelas secara optimal.
Dataset yang digunakan berasal dari pengambilan data langsung di Desa Kaliori dan telah mengalami augmentasi untuk meningkatkan variasi data.
Pelatihan dilakukan menggunakan teknik stratified 5-fold cross-validation guna menjamin stabilitas dan keandalan evaluasi performa model.
Keunggulan CSPDarknet dibandingkan metode konvensional terletak pada akurasi tinggi, efisiensi komputasi, dan kemudahan integrasi dengan sistem monitoring berbasis perangkat lunak Diharapkan, hasil penelitian ini dapat menjadi solusi efektif dalam mendeteksi dini kondisi daun padi serta mendukung implementasi teknologi pertanian presisi berbasis Internet of Things (IoT) yang adaptif dan berkelanjutan.
LITERATURE REVIEW
Klasifikasi kondisi daun padi berbasis citra digital menunjukkan perkembangan pesat, seiring meningkatnya kebutuhan akan sistem deteksi dini dalam pertanian presisi.
Pendekatan deep learning, khususnya Convolutional Neural Network (CNN), banyak dimanfaatkan karena kemampuannya dalam mengenali pola visual Metode YOLO dengan backbone CSPDarknet semakin relevan berkat efisiensi ekstraksi ciri melalui cross stage partial Berbagai studi sebelumnya memperlihatkan peningkatan akurasi klasifikasi penyakit tanaman, namun juga menyoroti keterbatasan metodologis dan tantangan implementasi di lapangan.
YOLOv8 telah digunakan untuk mendeteksi empat kondisi daun padi, yakni brown spot, hispa, leaf blast, dan daun sehat, menggunakan dataset rice diseases image sebanyak 3.
216 gambar.
Model YOLOv8s memberikan performa mAP50 tertinggi, yaitu 97,9%, melampaui YOLOv5 dan YOLOv4 dalam hal kecepatan dan akurasi, meskipun validasi lebih lanjut pada data lapangan tetap diperlukan .
Sebuah pendekatan realtime menggunakan YOLOv4-Tiny dan Raspberry Pi juga dikembangkan untuk klasifikasi penyakit daun padi secara langsung melalui video livestream berbasis WebSocket.
Meskipun akurasi
Positif : Jurnal Sistem dan Teknologi Informasi
E-ISSN 2460-9552
P-ISSN 2620-3227
rata-rata mencapai 80%, keterbatasan perangkat keras menjadi tantangan dalam implementasi di lapangan .
mengintegrasikan ciri tersebut secara menyeluruh dalam pelatihan model, sehingga membatasi ketepatan klasifikasi gejala.
Penelitian lain menggunakan YOLOv5 untuk mendeteksi lima jenis penyakit dari citra yang dikumpulkan di Feni.
Bangladesh.
Dengan 1.
gambar yang diaugmentasi menggunakan Roboflow, model ini mencapai precision 90%, namun recall masih rendah sebesar 67%, menandakan sensitivitas model terhadap gejala penyakit masih perlu ditingkatkan .
Sementara itu, strategi kombinatif dengan menggabungkan YOLOv7 dan active deep learning menghasilkan F1-score sebesar 0,76, namun cakupan wilayah dan varietas yang terbatas menghambat generalisasi model .
Untuk menjawab tantangan ini, penelitian ini menggunakan CSPDarknet Classifier yang telah dimodifikasi secara struktural.
Modifikasi mencakup penambahan blok C2f.
SPPF, dan GAP untuk meningkatkan efisiensi klasifikasi multikelas.
Dataset dikumpulkan secara primer dari Desa Kaliori.
Kabupaten Banyumas, mencakup tiga kelas utama: daun sehat, bercak daun coklat sempit, dan gejala kekeringan.
Proses augmentasi diterapkan guna memperluas variasi visual dan mendukung generalisasi.
Dengan pendekatan ini, diharapkan model dapat memberikan kontribusi nyata bagi sistem pendukung keputusan dalam penerapan pertanian presisi.
Selain itu, pendekatan klasifikasi objek berbasis YOLO diterapkan untuk identifikasi varietas beras menggunakan YOLOv3.
Hasil akurasi mencapai 100% pada citra tidak bertumpuk, namun turun menjadi 60% saat objek saling tumpang tindih, mengindikasikan perlunya penguatan terhadap kompleksitas latar belakang visual .
Penggunaan modul CFAN yang dipadukan dengan YOLOv5 juga menunjukkan peningkatan signifikan dalam akurasi klasifikasi daun tomat dan kentang pada dataset PlantVillage, mencapai akurasi 99,55% dan F1score 96%.
Namun, keterbatasan latar belakang tetap menjadi hambatan utama dalam implementasi pada kondisi riil .
METHOD
Penelitian ini menerapkan pendekatan computer vision dengan model CSPDarknet Classifier, yaitu arsitektur CNN yang dimodifikasi Cross-stage Partial Bottleneck with two Convolutions (C2.
Spatial Pyramid Pooling Fast (SPPF), dan Global Average Pooling (GAP) untuk mengekstraksi ciri warna dan tekstur daun padi.
Dataset primer dikumpulkan dari Desa Kaliori dalam tiga kelas, yaitu daun sehat, bercak coklat sempit, dan gejala Data diproses melalui resizing dan augmentasi untuk meningkatkan variasi dan mengurangi overfitting.
Pelatihan dilakukan menggunakan stratified 5-fold cross-validation, sementara parameter seperti epoch, batch size, dan optimizer disesuaikan untuk performa Evaluasi model menggunakan metrik accuracy, precision, recall, dan f1 score, dilanjutkan dengan analisis hasil untuk menilai efektivitas model dan memberikan rekomendasi Pengembangan berbasis mobile juga dilakukan untuk deteksi penyakit tanaman secara real-time di perangkat Android.
Salah satu studi memanfaatkan berbagai varian YOLO dan YOLOv8n .
AP 99,04%).
Model ini berhasil diintegrasikan ke dalam aplikasi Android TensorFlow Lite, memungkinkan deteksi langsung melalui kamera ponsel, meskipun tantangan terkait stabilitas dan cakupan kelas masih perlu disempurnakan .
Teknik Pengumpulan Data Dari berbagai pendekatan tersebut, terlihat bahwa keberhasilan klasifikasi sangat dipengaruhi oleh desain arsitektur, strategi ekstraksi ciri, dan keberagaman data pelatihan.
Namun, masih terdapat tantangan berupa nilai recall yang belum optimal, keterbatasan pengujian pada kondisi nyata, serta kurangnya eksplorasi ciri visual seperti warna dan tekstur.
Pendekatan Data dikumpulkan secara primer melalui dokumentasi langsung kondisi daun padi di Desa Kaliori pada 26 Maret 2024, mencakup tiga kategori: bercak coklat sempit, gejala kekeringan, dan daun sehat.
Pengambilan gambar dilakukan menggunakan kamera Redmi Note 8 .
MP) dengan pendampingan Ketua Gapoktan setempat untuk memastikan keakuratan label.
Total 120 gambar (.
diperoleh, masing-masing kelas terdiri dari 40 citra, dan digunakan sebagai bahan dasar untuk tahap pra-pemrosesan dalam pelatihan model.
sebagai contoh dari citra yang terdokumentasikan ditampilkan pada Gambar 1 sebagai sample dataset yang mewakili masingmasing kelas daun Gambar 1 Sample Dataset Teknik Preprocessing Data Setelah data terkumpul, dilakukan preprocessing untuk menyiapkan citra sesuai kebutuhan model CSPDarknet, meliputi resizing, pelabelan, augmentasi, serta pembagian data menjadi set pelatihan dan validasi Resizing Gambar Langkah awal preprocessing adalah mengubah ukuran seluruh citra menjadi 224y224 piksel untuk memenuhi standar input CSPDarknet.
Proses ini dilakukan menggunakan layanan daring iloveimg agar dimensi seragam dan kualitas tetap terjaga, sehingga memudahkan model dalam mengekstraksi ciri visual.
Contoh hasil resizing ditampilkan pada Gambar 2.
Gambar 2 Sample Resizing Dataset Pemberian Label Setelah resizing, citra diberi label menggunakan platform roboflow.
Label diberikan sesuai tiga kelas utama sehat, kering, bercak coklat sempit.
Label disimpan dalam format .
Contoh proses pelabelan ditunjukkan pada Gambar 3.
Gambar 3 Sample Labelling Augmentasi Gambar Augmentasi diterapkan untuk meningkatkan keberagaman data dan daya generalisasi Teknik yang digunakan meliputi grid distortion, elastic transform.
Contrast Limited Adaptive Histogram Equalization (CLAHE), mixup, dan cutmix.
Teknik ini meniru variasi alami bentuk, pencahayaan, serta memadukan gambar untuk memperkaya pola visual.
Hasil augmentasi dapat dilihat pada Gambar 4.
CLAHE
grid distortion Gambar 4 Sample Hasil Teknik Augmentasi Pembagian Dataset Dataset diproses di roboflow lalu diimpor ke google colab dalam struktur folder yang Pembagian data dilakukan dengan 5-fold cross-validation, menggunakan rasio 80% data pelatihan dan 20% validasi pada tiap fold.
Pendekatan ini bertujuan mengevaluasi model secara Implementasi Model CSPDarknet Tahap implementasi model dilakukan setelah seluruh proses awal, mulai dari identifikasi permasalahan hingga pra-pemrosesan data, selesai Tujuan membangun model klasifikasi citra berbasis deep learning yang mampu mengenali kondisi daun padi berdasarkan ciri warna dan tekstur.
Model
yang digunakan adalah CSPDarknet, sebuah arsitektur konvolusional yang menggabungkan residual learning dan cross-stage partial
connections untuk meningkatkan efisiensi
Positif : Jurnal Sistem dan Teknologi Informasi
E-ISSN 2460-9552
P-ISSN 2620-3227
ekstraksi ciri dan menurunkan kompleksitas Setiap skenario dirancang untuk menilai pengaruh algoritma optimasi terhadap performa model dalam klasifikasi citra daun padi.
Evaluasi mencakup metrik accuracy, precision, recall, dan f1 score, yang dihitung pada setiap fold dan dirataratakan untuk memperoleh gambaran performa Dengan demikian, proses ini bertujuan mengidentifikasi konfigurasi terbaik yang dapat meningkatkan generalisasi dan stabilitas model dalam menghadapi variasi data.
Dataset diperoleh dari platform Roboflow, yang telah melalui proses pelabelan otomatis, augmentasi citra, dan konversi ke format klasifikasi gambar.
Data diimpor secara langsung melalui API proyek dan dikelola menggunakan kelas PaddyDataset.
Kelas ini mendukung transforms, termasuk color jitter .
ue 1,5%, saturation 40%, brightness 30%), rotasi 15A, translasi hingga 10%, dan skala 80Ae120%.
Seluruh citra kemudian diubah ke resolusi 224y224 piksel dan dikonversi menjadi tensor untuk keperluan pelatihan.
Evaluasi Performa Model Setelah pelaksanaan skenario percobaan, tahap selanjutnya adalah mengevaluasi performa model CSPDarknet yang dilatih menggunakan skema kfold cross-validation.
Evaluasi ini bertujuan mengklasifikasikan kondisi daun padi secara akurat dan konsisten.
Arsitektur CSPDarknet yang diterapkan dimulai dengan konvolusi awal untuk menghasilkan 32 kanal ciri dasar, diikuti beberapa blok Cross-stage Partial Bottleneck with two Convolutions (C2.
dengan aktivasi SiLU dan proses downsampling bertahap melalui max pooling 2y2.
Modul Spatial Pyramid Pooling Fast (SPPF) digunakan untuk menangkap ciri spasial multi-skala, dilanjutkan dengan konvolusi 1y1.
GAP adaptif, dan dropout .
=0.
Lapisan akhir adalah fully connected dengan tiga neuron output untuk klasifikasi tiga kelas, yaitu Daun Padi Sehat.
Daun Padi Kekeringan, dan Bercak Daun Coklat Sempit.
Struktur ini divisualisasikan pada Gambar 5.
Empat metrik utama digunakan, yaitu accuracy, precision, recall, dan f1 score, yang masingmasing dihitung berdasarkan persamaan berikut:
ycNycE ycNycA ycNycE ycNycA yaycE yaycA ycNycE ycEycyceycaycnycycnycuycu = ycNycE yaycE ycNycE ycIyceycaycaycoyco = ycNycE yaycA ycEycyceycaycnycycnycuycu y ycIyceycaycaycoyco ya1 Oe ycycaycuycyce = 2 y ycEycyceycaycnycycnycuycu y ycIyceycaycaycoyco yaycaycaycycycaycayc = Untuk mengevaluasi performa model, dilakukan pengujian berdasarkan tiga skenario percobaan yang dibedakan berdasarkan jenis fungsi optimasi .
Setiap skenario menggunakan 5-fold stratified cross-validation, 50 epoch pelatihan, dan batch size 16.
Tabel berikut merangkum konfigurasi yang digunakan:
Adam AdamW Metrik dihitung pada setiap fold dan dirataratakan untuk mendapatkan gambaran performa Analisis dilakukan untuk mengevaluasi pengaruh variasi jenis optimizer dan jumlah epoch terhadap nilai metrik, serta mengamati potensi overfitting atau underfitting berdasarkan fluktuasi performa antar fold.
Dengan demikian, analisis ini bertujuan menentukan konfigurasi pelatihan terbaik bagi model CSPDarknet dalam klasifikasi daun padi.
Tabel 1 Skenario Percobaan Skenario
Optimizer Epoch
SGD
Accuracy mencerminkan ketepatan keseluruhan prediksi model.
Precision mengukur seberapa tepat model dalam mengklasifikasikan kelas positif, sedangkan recall menilai kemampuannya dalam mendeteksi seluruh kasus positif.
F1 Score digunakan untuk menyeimbangkan precision dan recall, khususnya saat distribusi kelas tidak Gambar 5 Arsitektur Cspdarknet Yang Telah Disesuaikan .
HASIL DAN PEMBAHASAN Algoritma Model CSPDarknet Penelitian ini melakukan evaluasi terhadap performa model klasifikasi daun padi menggunakan tiga skenario berdasarkan variasi algoritma optimasi, yaitu SGD.
Adam, dan AdamW.
Skenario Pertama Optimizer SGD Pada skenario pertama, model CSPDarknet dilatih SGD.
Evaluasi menunjukkan performa model sangat rendah dan cenderung stagnan pada seluruh fold.
Hasil metrik per fold ditampilkan pada Tabel 2 Tabel 2 Hasil Evaluasi Per-Fold Optimizer Fold Akurasi Presisi Recall F1-Score Rata-rata Seperti ditunjukkan pada Tabel 2, akurasi dan F1score yang sangat rendah mengindikasikan bahwa model tidak mampu mempelajari representasi ciri dari dataset secara efektif.
Hal ini didukung oleh Gambar 6, di mana grafik loss menunjukkan stagnansi nilai train loss dan val loss selama Gambar 6 Grafik Rata-Rata Train Loss Dan Val Loss Optimizer Stagnansi ini kemungkinan disebabkan oleh pengaturan hyperparameter (SGD) yang tidak optimal serta arsitektur model yang kurang mampu menangkap kompleksitas ciri visual daun Oleh karena itu, perlu eksplorasi lebih lanjut terhadap optimizer alternatif.
Skenario Kedua Optimizer Adam Skenario kedua mengimplementasikan optimizer Adam dengan konfigurasi yang sama.
Hasil evaluasi menunjukkan peningkatan performa yang sangat signifikan dibandingkan skenario pertama, sebagaimana diringkas dalam Tabel 3.
Tabel 3 Hasil Evaluasi Per-Fold Optimizer Fold Accuracy Precision Recall F1 Score Rata-rata Gambar 7 menunjukkan grafik loss per epoch yang stabil dengan tren penurunan signifikan pada awal pelatihan.
Konvergensi antara train loss dan val loss menunjukkan bahwa model tidak mengalami overfitting.
Gambar 7 Grafik Rata-Rata Train Loss Dan Val Loss Optimize Performa tinggi ini menunjukkan bahwa optimizer Adam mampu mengakomodasi distribusi data yang kompleks dan meningkatkan kapabilitas generalisasi model.
Ini menandakan bahwa pendekatan ini cocok untuk deteksi otomatis pada skenario nyata.
Skenario Ketiga Optimizer AdamW Pada skenario ketiga, digunakan optimizer AdamW yang menggabungkan keunggulan Adam dengan regularisasi weight decay.
Tabel 4 merangkum hasil per fold, yang secara umum menunjukkan performa hampir sempurna.
Tabel 4 Hasil Evaluasi Per-Fold Optimizer Adamw
Fold
Accuracy Precision Recall F1 Score
Positif : Jurnal Sistem dan Teknologi Informasi
Rata-rata E-ISSN 2460-9552
P-ISSN 2620-3227
menghasilkan performa rendah .
ata-rata akurasi 33,33%) karena ketidakmampuannya menangani Adam memberikan peningkatan signifikan .
kurasi 95,56%) berkat mekanisme pembaruan parameter yang adaptif.
Optimizer AdamW menjadi yang terbaik, dengan akurasi rata-rata 99,72% serta kestabilan antar fold dan kemampuan regularisasi yang unggul.
Dengan demikian.
CSPDarknet Classifier menunjukkan kinerja optimal saat menggunakan algoritma optimisasi yang adaptif seperti AdamW, dan skenario ketiga dengan konfigurasi 50 epoch dan batch size 16 layak dijadikan acuan dalam penerapan klasifikasi daun padi di bidang pertanian presisi.
Model menunjukkan akurasi dan presisi yang sangat tinggi di hampir semua fold.
Grafik loss Gambar 8
memperkuat hasil tersebut dengan menunjukkan proses pelatihan yang efisien dan konvergen secara Gambar 8 Grafik Rata-Rata Train Loss Dan Val
Loss Optimizer Adamw
REFERENSI