Jurnal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 4 No 3.
March2025.
Page: 91-99 https://djournals.
com/jie DOI: 10.
47065/jie.
Model Transfer Learning Dalam Klasifikasi Penyakit Daun Jagung Menggunakan Arsitektur Densenet-201 M Sandy Tirta1.
Rudi Kurniawan2,*.
Antoni Zulius3 1,2,3Fakultas Ilmu Teknik.
Prodi Rekayasa Sistem Komputer.
Universitas Bina Insan.
Lubuklinggau.
Indonesia Email: 12102010026@gmail.
com, 2,*rudi.
kurniawan@univbinainsan.
id, 3antoni.
zulius@univbinainsan.
Email Penulis Korespondensi: rudi.
kurniawan@univbinainsan.
AbstrakOe Produktivitas tanaman jagung dapat menurun secara signifikan akibat serangan penyakit pada daun yang sering kali tidak terdeteksi secara dini oleh para petani.
Deteksi manual yang bergantung pada pengalaman subjektif petani memiliki keterbatasan dalam akurasi dan efisiensi, sehingga diperlukan solusi berbasis teknologi untuk mendukung praktik pertanian presisi.
Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun jagung dengan menggunakan pendekatan Transfer Learning berbasis arsitektur DenseNet-201.
Dataset yang digunakan terdiri dari gambar daun jagung yang terbagi dalam beberapa kategori, termasuk daun sehat dan daun yang terinfeksi penyakit seperti blight, rust, dan gray leaf spot.
Untuk meningkatkan performa model dan mengurangi risiko overfitting, dilakukan teknik augmentasi data seperti rotasi, flipping, dan zooming.
Proses pelatihan model dilakukan dengan pembagian data ke dalam set pelatihan dan pengujian.
Hasil evaluasi menunjukkan bahwa model DenseNet-201 berhasil mencapai akurasi sebesar 96,65% pada data uji, serta menunjukkan keunggulan dalam hal efisiensi komputasi dan kemampuan generalisasi dibandingkan dengan arsitektur lain yang lebih dangkal.
Dengan hasil tersebut, penelitian ini membuktikan bahwa DenseNet-201 merupakan solusi efektif untuk deteksi penyakit daun jagung secara cepat dan akurat, sehingga dapat diintegrasikan ke dalam sistem pendukung pengambilan keputusan di bidang pertanian modern.
Kata Kunci: Penyakit Daun Jagung.
Transfer Learning.
DenseNet-201.
Klasifikasi Citra.
Deteksi Penyakit Daun Jagung AbstractOe Corn productivity can decline significantly due to leaf disease attacks that are often not detected early by farmers.
Manual detection that relies on farmers' subjective experience has limitations in accuracy and efficiency, so technology-based solutions are needed to support precision agriculture practices.
This study aims to develop an automatic classification system for corn leaf diseases using a Transfer Learning approach based on the DenseNet-201 architecture.
The dataset used consists of corn leaf images divided into several categories, including healthy leaves and leaves infected with diseases such as blight, rust, and gray leaf spot.
To improve model performance and reduce the risk of overfitting, data augmentation techniques such as rotation, flipping, and zooming were used.
The model training process was carried out by dividing the data into training and testing sets.
The evaluation results showed that the DenseNet-201 model successfully achieved an accuracy of 96.
65% on the test data, and demonstrated superior computational efficiency and generalization capabilities compared to other, shallower architectures.
With these results, this study proves that DenseNet-201 is an effective solution for fast and accurate corn leaf disease detection, so it can be integrated into decision support systems in modern Keywords: Corn Leaf Diseases.
Transfer Learning.
DenseNet-201.
Image Classification.
Detection of Corn Leaf Diseases PENDAHULUAN Jagung (Zea mays L.
) merupakan salah satu komoditas strategis dalam sektor pertanian yang memiliki peran penting sebagai sumber pangan, pakan ternak, dan bahan baku industri .
Di Indonesia, jagung menjadi tanaman pangan kedua setelah padi yang banyak dibudidayakan, baik oleh petani skala kecil maupun besar .
Namun, produktivitas jagung sering kali terhambat oleh berbagai faktor, salah satunya adalah serangan penyakit pada bagian daun seperti hawar, bercak, dan karat daun yang dapat menyebabkan penurunan hasil panen secara signifikan .
Penyakit bercak daun ditandai dengan bercak coklat kemerahan atau klorotik yang dapat menyebar ke seluruh bagian tanaman .
Gejala hawar daun diawali dengan bercak kecil berwarna hijau tua atau kehijauan kebasahan, yang kemudian menjadi coklat kehitaman dan membesar membentuk kumparan atau perahu dengan ukuran hingga 5 cm y 15 cm .
Sementara itu, karat daun ditandai dengan munculnya uredinia berbentuk bulat hingga oval di permukaan atas dan bawah daun, yang menghasilkan uredospora sebagai sumber inokulum utama dan menyebar melalui angin.
Serangan dini dapat menyebabkan bibit mati, tongkol rontok, dan biji membusuk, hingga menyebabkan kegagalan panen.
Penyakit-penyakit ini dapat berkembang di berbagai ketinggian dan musim, baik hujan maupun kemarau .
Sebaliknya, daun jagung sehat berwarna hijau cerah, tebal, kuat, bebas dari bercak atau hama, serta tumbuh sesuai fase pertumbuhan tanaman.
Kondisi ini menunjukkan kecukupan nutrisi dan mendukung proses fotosintesis yang sangat penting bagi produktivitas tanaman jagung secara keseluruhan .
Untuk memastikan keakuratan model dalam mengenali penyakit, digunakan metode evaluasi seperti Confusion Matrix dan K-Fold Cross Validation.
Confusion Matrix menampilkan jumlah prediksi benar dan salah dalam bentuk tabel, sedangkan K-Fold membagi data menjadi beberapa bagian untuk pelatihan dan validasi bergantian, sehingga hasil menurunkan efisiensi fotosintesis, yang berdampak pada kualitas dan kuantitas hasil panen .
Penanganan penyakit evaluasi lebih stabil dan andal .
Penyakit daun jagung menyebabkan gangguan fisiologis tanaman karena menurunkan efisiensi fotosintesis, yang berdampak pada kualitas dan kuantitas hasil panen .
Penanganan penyakit daun secara dini menjadi sangat penting agar petani dapat melakukan tindakan pencegahan dan pengobatan tepat waktu.
Namun, proses diagnosis penyakit secara manual membutuhkan tenaga ahli dan waktu yang tidak sedikit, sehingga tidak efisien untuk skala pertanian luas.
Oleh karena itu, dibutuhkan solusi teknologi yang mampu mendeteksi penyakit secara otomatis.
Copyright A 2025 The Author.
Page 91 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: 91-99 https://djournals.
com/jie DOI: 10.
47065/jie.
cepat, dan akurat.
Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) dan pembelajaran mesin (Machine Learnin.
membuka peluang besar dalam bidang pertanian presisi .
Salah satu penerapannya adalah computer vision, yaitu teknik pemrosesan citra untuk mengenali pola tertentu pada gambar tanaman.
Dengan computer vision, proses identifikasi penyakit daun dapat dilakukan secara otomatis hanya dengan menggunakan gambar, yang diproses oleh sistem berbasis model pembelajaran mesin .
Model yang umum digunakan dalam pengolahan citra digital adalah Convolutional Neural Network (CNN), yang terbukti efektif dalam klasifikasi gambar .
Salah satu arsitektur CNN yang menonjol dalam beberapa tahun terakhir adalah Densely Connected Convolutional Network (DenseNe.
, yang menghubungkan setiap lapisan jaringan dengan semua lapisan sebelumnya, sehingga mengurangi hilangnya informasi dan memperbaiki aliran gradien .
DenseNet-201 adalah salah satu varian DenseNet dengan kedalaman 201 lapisan konvolusi.
Arsitektur ini mampu mengekstraksi fitur visual kompleks dari citra dan menghasilkan performa tinggi dalam berbagai tugas klasifikasi .
Keunggulan lain dari DenseNet-201 adalah efisiensi penggunaan parameter serta stabilitas model saat pelatihan, yang menjadikannya pilihan tepat untuk klasifikasi citra penyakit daun tanaman .
DenseNet-201 efisien dalam penggunaan parameter, mengatasi vanishing gradient, dan mampu menghasilkan fitur visual rinci.
Dengan pretraining pada ImageNet, model ini efektif untuk klasifikasi penyakit daun jagung dengan akurasi tinggi dan proses diagnosis yang cepat .
Beberapa penelitian sebelumnya telah mengkaji klasifikasi penyakit tanaman menggunakan pendekatan CNN dan transfer learning.
Misalnya.
Fraiwan et al.
mengembangkan model klasifikasi penyakit jagung menggunakan arsitektur InceptionV3.
ResNet101, dan VGG16, dan berhasil mencapai akurasi sebesar 98,6% pada tiga jenis penyakit dan satu kategori daun sehat .
Adhinata et al.
memanfaatkan DenseNet-201 dan membandingkan dua skema akhir klasifikasi, yaitu menggunakan Global Average Pooling dan flatten, dengan akurasi terbaik sebesar 93% .
Penelitian oleh Waheed et al.
juga menunjukkan efektivitas DenseNet dalam mendeteksi penyakit jagung seperti hawar dan karat dengan akurasi tinggi .
,06%) serta efisiensi parameter yang baik .
Meskipun hasil-hasil tersebut menunjukkan bahwa pendekatan transfer learning memberikan hasil yang menjanjikan, masih terdapat beberapa kekurangan.
Sebagian besar studi belum memanfaatkan teknik validasi silang seperti K-Fold Cross Validation, yang penting untuk mengurangi bias dan memastikan model dapat di-generalize dengan baik.
Selain itu, proses augmentasi data yang terbatas juga membuat model cenderung overfitting pada data pelatihan.
Oleh karena itu, penelitian ini menawarkan pendekatan yang lebih komprehensif.
Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit daun jagung berbasis DenseNet-201 dengan pendekatan transfer learning, serta menerapkan teknik augmentasi data yang beragam untuk meningkatkan generalisasi model.
Evaluasi model dilakukan secara menyeluruh menggunakan Confusion Matrix dan K-Fold Cross Validation untuk memperoleh hasil yang akurat dan Dengan pendekatan ini, diharapkan hasil penelitian dapat memberikan kontribusi dalam pengembangan sistem deteksi dini penyakit tanaman secara otomatis, cepat, dan efisien, serta mendukung implementasi teknologi dalam pertanian presisi di Indonesia.
METODOLOGI PENELITIAN
1 Tahapan Penelitian Penelitian ini terdiri dari enam tahapan utama, yaitu: problem scoping, data acquistion, data exploration, modelling, evaluation, deploy & finishing.
Setiap tahap dijelaskan secara sistematis untuk menghasilkan sistem klasifikasi penyakit daun jagung berbasis citra digital.
Gambar 1 berikut ini menggambarkan alur proses penelitian secara keseluruhan Gambar 1.
Framework AI Lifecycle Gambar 1 menunjukkan framework AI Lifecycle yang terdiri dari enam tahap utama, mulai dari identifikasi permasalahan hingga proses deployment dan penyelesaian proyek.
Framework ini merangkum proses kerja dalam pengembangan sistem berbasis kecerdasan buatan.
2 Problem Scoping Pendekatan berbasis AI, seperti transfer learning, menawarkan solusi efisien untuk identifikasi dini penyakit daun jagung melalui klasifikasi gambar.
Dengan memanfaatkan model pretrained seperti DenseNet-201, sistem dapat mendeteksi pola Copyright A 2025 The Author.
Page 92 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: 91-99 https://djournals.
com/jie DOI: 10.
47065/jie.
dan fitur spesifik untuk membedakan antara daun sehat dan terinfeksi.
Ini meningkatkan efisiensi identifikasi dan mengurangi ketergantungan pada metode manual.
Namun, tantangan utama adalah ketersediaan dan kualitas dataset citra yang memadai.
Data yang kurang bervariasi atau berisik dapat mempengaruhi akurasi model.
Proses preprocessing seperti augmentasi dan normalisasi juga penting untuk pelatihan optimal.
Selain itu, kebutuhan komputasi tinggi menjadi tantangan, terutama pada perangkat dengan sumber daya terbatas.
Desain pendekatan harus mempertimbangkan ketersediaan data dan sumber daya pengguna 3 Data Acquisition Gambar 2.
Grafik Dataset Gambar 2 adalah grafik jumlah dataset yang digunakan dalam penelitian ini, yang berasal dari platform Mendeley Data.
Dataset tersebut terdiri dari total 3.
852 citra daun jagung yang terbagi ke dalam empat kelas, yaitu: hawar daun sebanyak 985 citra, bercak daun 513 citra, karat daun 1.
192 citra, dan daun sehat 1.
162 citra.
Setiap citra disediakan dalam format JPG dengan resolusi yang bervariasi.
4 Data Exploration Tahapan preprocessing data dilakukan dengan teknik data augmentation untuk memperkaya data pelatihan dan mencegah Data augmentation adalah manipulasi citra untuk menambah variasi tanpa perlu mengumpulkan data baru.
Teknik yang digunakan meliputi flip, crop, grayscale, saturation, dan blur.
Hasil augmentasi menciptakan keragaman kondisi gambar, membantu model mengenali pola dan fitur dengan lebih baik, serta meningkatkan generalisasi pada data Berikut ini adalah contoh dari hasil augmentasi :
Gambar 3.
Hasil Augmentasi Gambar 3 menunjukkan beberapa teknik augmentasi citra yang digunakan untuk meningkatkan variasi dataset tanpa menambah data baru.
Teknik .
Flip membalik gambar untuk menciptakan sudut pandang berbeda, .
Crop memotong sebagian gambar agar model belajar dari bagian tertentu, .
Grayscale menghilangkan warna agar fokus pada tekstur, .
Saturation mengubah intensitas warna untuk menyesuaikan kondisi pencahayaan, dan .
Blur mensimulasikan gambar kabur seperti pada citra lapangan.
Augmentasi ini penting untuk mencegah overfitting dan meningkatkan akurasi 5 Modelling Gambar 4.
Flowchart Modelling Copyright A 2025 The Author.
Page 93 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: 91-99 https://djournals.
com/jie DOI: 10.
47065/jie.
6 Evaluation Evaluasi dilakukan dengan metode 10-fold cross-validation untuk memastikan bahwa model tidak hanya cocok pada subset data tertentu, melainkan dapat digeneralisasi pada seluruh dataset .
Model dievaluasi menggunakan metrik:
Accuracy = Precision = Recall (TP TN) .
(TP FP FN TN) .
(TP FP) .
(TP FN) F1-score = 2 x (Precision x Recal.
(Precision Recal.
HASIL DAN PEMBAHASAN Pada bagian ini menyajikan penelitian yang telah dilakukan untuk klasifikasi penyakit daun jagung menggunakan arsitektur Densenet-201.
Penelitian ini bertujuan untuk mengembangkan model berbasis transfer learning dengan arsitektur DenseNet-201 untuk mendeteksi penyakit daun jagung seperti hawar daun, karat daun, dan bercak daun.
1 Pembahasan Pada penelitian ini ada beberapa tahapan yang di lakukan sebelum akhirnya di peroleh hasil.
Langkah awal tentutanya pengambililan data set, dimana toatal data set terdiri dari 3.
852 citra.
1 Pengambilan Dataset Gambar 5.
Jumlah Dataset Penyakit Daun Jagung Gambar 5 menunjukkan dataset citra penyakit daun jagung yang digunakan dalam penelitian ini, yang bersumber dari platform Mendeley Data.
Dataset terdiri atas total 3.
852 citra yang terbagi dalam empat kategori, yaitu: 985 citra hawar daun, 513 citra bercak daun, 1.
192 citra karat daun, dan 1.
162 citra daun sehat.
2 Split Data Gambar 6.
Hasil Split Data Copyright A 2025 The Author.
Page 94 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: 91-99 https://djournals.
com/jie DOI: 10.
47065/jie.
Gambar 6 adalah proses split data menjadi tiga subset, yaitu train, validation, dan test.
Untuk kelas bercak daun terdapat 410 citra train, 51 validation, dan 52 test.
daun sehat terdiri atas 929 train, 116 validation, dan 117 test.
daun sebanyak 788 train, 98 validation, dan 99 test.
serta karat daun mencakup 953 train, 119 validation, dan 120 test.
3 Pre-processing Data Labelling Gambar Perlabelan gambar dilakukan menggunakan Denset201 yang memberikan nama pada gambar untuk keperluan Dalam penelitian ini, terdapat empat kategori : bercak daun, hawar daun, karat daun, dan daun sehat.
Resize Gambar Resize gambar adalah proses mengubah ukuran gambar agar memiliki dimensi konsisten, memudahkan pemrosesan oleh model transfer learning seperti DenseNet-201.
Dengan resize, beban komputasi berkurang, sehingga mempercepat waktu pelatihan model.
Augmentation Setelah resize, langkah selanjutnya adalah augmentasi, yaitu memperbanyak data dengan transformasi seperti rotasi dan flipping.
Proses ini menggunakan Keras atau TensorFlow untuk meningkatkan variasi dan akurasi model transfer learning seperti DenseNet-201.
4 Membangun Model DenseNet201 adalah arsitektur jaringan saraf untuk klasifikasi gambar, menggunakan koneksi dens antar lapisan.
Setiap lapisan terhubung ke semua lapisan sebelumnya, meningkatkan aliran informasi dan mengurangi masalah vanishing Model ini terdiri dari blok konvolusi, lapisan pooling, dan diakhiri dengan lapisan fully connected untuk klasifikasi .
5 Pelatihan Model Pelatihan model dilakukan selama sejumlah epoch yang ditentukan, di mana setiap epoch mencakup satu siklus penuh melalui dataset pelatihan.
Model belajar dari data dan mengoptimalkan bobot untuk meminimalkan kesalahan klasifikasi.
Lebih banyak epoch memungkinkan model menangkap pola lebih baik, tetapi perlu diimbangi untuk menghindari Gambar 7.
Training Model Gambar 8.
Grafik Model Accuracy Copyright A 2025 The Author.
Page 95 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: 91-99 https://djournals.
com/jie DOI: 10.
47065/jie.
Gambar 9.
Grafik Model Loss 6 Hasil Evaluasi Model Gambar 10.
Hasil Evaluasi Model Gambar 10 menunjukkan hasil evaluasi model, termasuk kecepatan, akurasi, dan loss.
Model mencapai akurasi 9783 dan loss 0.
1100 pada data training.
Hasil fold pertama validasi silang menunjukkan loss 15.
09 dan akurasi 0.
menandakan kemampuan model menggeneralisasi data baru.
7 Visualisasi Confusion Matrix Gambar 11.
Visualisasi Confusion Matrix Gambar 11 menunjukkan Confusion Matrix yang menampilkan kinerja model klasifikasi dalam mengklasifikasikan label yang berbeda.
Di sepanjang diagonal utama, angka-angka menunjukkan jumlah prediksi yang benar untuk setiap kelas, seperti 45 untuk bercak daun, 117 untuk daun sehat, 94 untuk hawar daun, dan 119 untuk karat Sementara itu, angka-angka di luar diagonal menunjukkan jumlah kesalahan klasifikasi, seperti 7 bercak daun yang salah diklasifikasikan sebagai hawar daun.
Gambar 12.
Hasil Classification Report Copyright A 2025 The Author.
Page 96 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: 91-99 https://djournals.
com/jie DOI: 10.
47065/jie.
Gambar 12 menunjukkan Classification Report dengan metrik presisi, recall, dan f1-score.
Kelas bercak daun mencatat presisi 0.
88 dan recall 0.
Kelas daun sehat memiliki nilai 1.
00 untuk recall dan f1-score.
Kelas hawar daun 93 dan recall 0.
95, sedangkan karat daun mencapai presisi 1.
00 dan recall 0.
Akurasi keseluruhan model 97, menunjukkan efektivitas klasifikasi.
8 Klasifikasi Gambar 13.
Hasil Klasifikasi Penyakit Daun Jagung 2 Implementasi .
Gambar 14.
Tampilan Awal Website .
Memasukkan Gambar Penyakit Daun Jagung .
Gambar 15.
Hasil Klasifikasi Penyakit Bercak Daun .
Hasil Klasifikasi Penyakit Hawar Daun Copyright A 2025 The Author.
Page 97 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: 91-99 https://djournals.
com/jie DOI: 10.
47065/jie.
Gambar 16.
Hasil Klasifikasi Penyakit Karat Daun .
Hasil Klasifikasi Daun Sehat
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