Jurnal Informatika dan Komputer (INFOKOM) Volume x Nomor x Tahun x
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM OPTIMASI PIPELINE KLASIFIKASI PENYAKIT PADI
MENGGUNAKAN STRATEGI AUGMENTASI CITRA INTENSIF
DAN TRANSFER LEARNING EFFICIENTNET-B0
Dwi Robiul R, 2Diyo Mollana F, 3Nanda S, 4Johan, 5Rahmad S, 6Satriyo W.
Rika Rosnelly 1,2,3,4,5,6,7 Program Studi Ilmu Komputer 1,2,3,4,5,6,7 Universitas Potensi Utama E-mail: dwirobiul@gmail.
com, 2diyomollanafazri@gmail.
setiawansn27@gmail.
johanst1984@gmail.
com, 5rhmd.
santoso290992@gmail.
satriyowibowo111@gmail.
com, 7 rikarosnelly@gmail.
ABSTRACT
Rice plant diseases represent a significant challenge to global food productivity.
This study aims to optimize a rice disease classification pipeline using the EfficientNet-B0 architecture combined with intensive image augmentation strategies and transfer The dataset comprises 10,407 rice leaf images categorized into 10 classes, including healthy conditions and nine types of diseases.
Augmentation strategies such as random rotation, color jittering, and random resized cropping were implemented to enhance model robustness against diverse field conditions.
Evaluation results demonstrate that the model achieved outstanding performance, with a Top-1 Accuracy 25% and a Top-5 Accuracy of 99.
Grad-CAM analysis validated that the model accurately focuses feature extraction on pathological leaf areas.
t-SNE visualization revealed clear feature cluster separation between classes, further supported by ROC curve AUC values reaching 1.
00 for the majority of categories.
This research confirms that the proposed pipeline is highly reliable for early rice disease detection and holds significant potential for mobile device implementation to assist farmers.
Keywords: Rice Disease.
EfficientNet-B0.
Image Augmentation.
Transfer Learning.
Grad-CAM .
ABSTRAK
Penyakit tanaman padi merupakan salah satu kendala utama dalam produktivitas pangan Penelitian ini bertujuan untuk mengoptimalkan pipeline klasifikasi penyakit padi menggunakan arsitektur EfficientNet-B0 yang dikombinasikan dengan strategi augmentasi citra intensif dan transfer learning.
Dataset yang digunakan mencakup 407 citra daun padi yang terbagi ke dalam 10 kategori, termasuk kondisi sehat dan sembilan jenis penyakit.
Strategi augmentasi seperti rotasi acak, perubahan kontras, dan pemotongan citra diterapkan untuk meningkatkan ketangguhan model terhadap variasi kondisi di lapangan.
Hasil evaluasi menunjukkan bahwa model mencapai performa yang Jurnal INFOKOM | 94
Jurnal Informatika dan Komputer (INFOKOM) Volume 13 Nomor 2 Tahun 2025
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM sangat luar biasa dengan Akurasi Top-1 sebesar 96,25% dan Akurasi Top-5 sebesar 99,90%.
Analisis menggunakan Grad-CAM memvalidasi bahwa model secara akurat memfokuskan ekstraksi fitur pada area patologis daun.
Visualisasi t-SNE menunjukkan pemisahan klaster fitur yang jelas antar kelas, didukung oleh nilai AUC pada kurva ROC yang mencapai 1,00 untuk mayoritas kategori.
Penelitian ini membuktikan bahwa pipeline yang diusulkan sangat reliabel untuk deteksi dini penyakit padi dan potensial untuk diimplementasikan pada perangkat mobile bagi petani.
Kata Kunci: Penyakit Padi.
EfficientNet-B0.
Augmentasi Citra.
Transfer Learning.
Grad-CAM .
PENDAHULUAN
Produksi padi merupakan komponen penting dalam ketahanan pangan global.
Padi ditanam di lebih dari 100 negara dan menjadi sumber makanan utama bagi lebih dari 3 miliar orang di seluruh dunia (Reyes, 2.
Selain itu, produksi padi juga memiliki dampak signifikan terhadap pembangunan sosial-ekonomi, terutama di negara-negara berkembang (Manokaran et al.
, 2.
Namun, produksi padi menghadapi berbagai tantangan, salah satunya adalah penyakit padi yang dapat mengurangi produktivitas secara signifikan.
Penyakit-penyakit ini termasuk blas, hawar daun bakterial, bercak coklat, dan lain-lain, yang disebabkan oleh berbagai patogen seperti jamur, bakteri, dan virus (Adiyarta et al.
, 2020.
Bajpai et al.
Hota et al.
, 2025.
Karakanti et al.
, 2.
Penyakit blast, misalnya, dapat mempengaruhi semua bagian tanaman padi yang berada di atas tanah, seperti daun, batang, dan panikel, yang mengakibatkan penurunan produktivitas (Ospanova et al.
Penyakit-penyakit ini tidak hanya mengurangi hasil panen tetapi juga mempengaruhi kualitas padi yang dihasilkan.
Selain itu, penyakit-penyakit ini sering kali sulit dideteksi secara dini, yang membuat pengendalian dan pencegahan menjadi lebih menantang (Elmitwally et al.
, 2.
Dalam beberapa tahun terakhir, teknologi pembelajaran mendalam .
eep learnin.
dan transfer learning telah menunjukkan potensi besar dalam klasifikasi citra penyakit Sejumlah penelitian telah dilakukan untuk mengembangkan sistem klasifikasi penyakit padi berbasis pengolahan citra dan convolutional neural network (CNN).
Salah satu penelitian menggunakan pengoptimal ADAM, pembelajaran transfer (Inception V3.
Xceptio.
, serta augmentasi data, dengan temuan bahwa model Xception dengan augmentasi data mencapai akurasi hingga 80% pada dataset kecil (Putra Setiawan et al.
Penelitian lainnya menggunakan EfficientNetV2-S dengan augmentasi data berupa rotasi dan pembalikan, serta pengoptimal Adam, dan mencapai akurasi sebesar 95% A 2, menunjukkan peningkatan signifikan seiring penambahan data (Nggego et al.
Jurnal INFOKOM | 95
Jurnal Informatika dan Komputer (INFOKOM) Volume x Nomor x Tahun x
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM Selain itu, model pembelajaran mendalam seperti VGG-16 dan GoogleNet telah diterapkan menggunakan validasi silang tiga kali lipat pada dataset yang lebih besar, dengan temuan bahwa VGG-16 dan GoogleNet masing-masing mencapai akurasi 92,24% dan 91,28% (Yakkundimath et al.
, 2.
Penelitian lainnya menguji berbagai arsitektur seperti Xception.
DenseNet121.
InceptionResNetV2.
ResNet50V2, dan EfficientNetB0, di mana model Xception mencapai akurasi 99,99%, menegaskan efektivitas pembelajaran transfer dalam klasifikasi penyakit padi (Ali et al.
, 2.
Pada diagnosis penyakit blast secara otomatis, model ResNet50 dilaporkan mencapai akurasi tertinggi sebesar 99,75% (Shah et al.
, 2.
Penelitian lain mengembangkan solusi seluler dengan memanfaatkan pembelajaran transfer dan jaringan adversarial generatif (GAN) untuk augmentasi data, menghasilkan akurasi sebesar 98,79% pada dataset yang telah diperluas (Kathiresan et al.
, 2.
Selain itu, penggunaan teknik regularisasi seperti putus sekolah .
dan normalisasi batch pada model VGG16 dan ResNet50 menghasilkan akurasi masing-masing sebesar 100% dan 99,97% 7 (Rakshit et al.
, 2.
Penelitian lainnya juga menunjukkan bahwa DenseNet121 mampu memberikan akurasi tinggi serta diagnosis yang efisien dalam klasifikasi penyakit padi (Bhuria, 2.
Meskipun berbagai model seperti Xception.
DenseNet, dan VGG telah digunakan secara luas.
EfficientNet-B0 belum dieksplorasi secara ekstensif dalam konteks klasifikasi penyakit padi.
Studi ini dapat mengisi celah tersebut dengan mengevaluasi secara spesifik kinerja EfficientNet-B0.
Selain itu, banyak penelitian hanya menerapkan teknik augmentasi dasar seperti rotasi dan pembalikan citra, sehingga penelitian ini dapat mengeksplorasi strategi augmentasi yang lebih intensif untuk meningkatkan ketahanan model terhadap variasi data.
Beberapa penelitian juga menggunakan kumpulan data berukuran kecil .
isalnya 120 gambar .
, sehingga penelitian ini dapat berkontribusi dengan menggunakan kumpulan data yang lebih besar dan lebih beragam guna meningkatkan kemampuan generalisasi model.
Dengan mengatasi kesenjangan ini, penelitian ini bertujuan untuk mengembangkan pipeline klasifikasi penyakit padi menggunakan strategi augmentasi citra intensif dan transfer learning dengan model EfficientNet-B0.
Tujuan utama dari penelitian ini adalah :.
Mengidentifikasi dan mengklasifikasikan penyakit padi dengan akurasi tinggi menggunakan model EfficientNet-B0.
Meningkatkan kinerja model melalui strategi augmentasi citra intensif.
(Abdulloh et al.
, 2024.
Sarasati et al.
, 2024a.
Tanny et al.
, 2.
Penelitian ini diharapkan dapat memberikan kontribusi yang signifikan dalam pengembangan sistem klasifikasi penyakit padi berbasis pembelajaran mendalam yang lebih akurat, robust, dan aplikatif.
Jurnal INFOKOM | 96
Jurnal Informatika dan Komputer (INFOKOM) Volume 13 Nomor 2 Tahun 2025
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM KAJIAN PUSTAKA Klasifikasi Penyakit Padi Klasifikasi penyakit padi merupakan aspek penting dalam pertanian untuk memastikan kesehatan tanaman dan meningkatkan hasil panen.
Dengan kemajuan teknologi, metode berbasis visi komputer dan pembelajaran mendalam .
eep learnin.
telah menjadi alat yang efektif untuk mendeteksi dan mengklasifikasikan penyakit tanaman secara otomatis (Rahman et al.
, 2024.
Rose Anandhi & Sathiamoorthy, 2.
Transfer Learning dalam Klasifikasi Penyakit Padi Transfer learning adalah teknik yang memanfaatkan model yang telah dilatih sebelumnya pada dataset besar dan kemudian disesuaikan untuk tugas spesifik.
Model EfficientNet-B0, yang dikenal karena efisiensi dan akurasinya, telah digunakan secara luas dalam klasifikasi penyakit padi.
Model ini menunjukkan kinerja yang unggul dalam berbagai studi, dengan akurasi mencapai hingga 99% (Abdulloh et al.
, 2024.
Kohad et al.
, 2025.
Sarasati et al.
, 2024.
Augmentasi Citra untuk Meningkatkan Kinerja Model Augmentasi citra adalah teknik yang digunakan untuk meningkatkan jumlah dan keragaman data pelatihan dengan memodifikasi gambar asli.
Teknik ini membantu model untuk lebih umum dan tahan terhadap variasi dalam data.
Beberapa teknik augmentasi yang umum digunakan termasuk rotasi, flipping, penyesuaian kecerahan, dan penambahan noise (Nggego et al.
Subburaman & Selvadurai, 2025.
Talati et al.
, 2.
Dalam konteks klasifikasi penyakit padi, augmentasi citra telah terbukti meningkatkan akurasi model secara signifikan (Nggego et al.
, 2025.
Subburaman & Selvadurai, 2.
Implementasi EfficientNet-B0 dalam Klasifikasi Penyakit Padi EfficientNet-B0 telah diterapkan dalam berbagai penelitian untuk klasifikasi penyakit padi dengan hasil yang sangat baik.
Model ini tidak hanya memberikan akurasi tinggi tetapi juga efisiensi komputasi yang lebih baik dibandingkan dengan model lain seperti VGG16.
ResNet50, dan InceptionV3 (Kohad et al.
, 2025.
Tanny et al.
, 2025.
Verma et al.
, 2.
Dalam beberapa studi, penggunaan EfficientNet-B0 yang dikombinasikan dengan teknik augmentasi citra menghasilkan akurasi yang sangat tinggi, mencapai hingga 98.
(Verma et al.
, 2.
METODE / ANALISIS PERANCANGAN
Desain Penelitian Penelitian ini menggunakan pendekatan eksperimen kuantitatif untuk membangun dan mengevaluasi model klasifikasi citra penyakit padi berbasis deep learning.
Model
dibangun menggunakan arsitektur EfficientNet-B0 dengan strategi augmentasi citra
Jurnal INFOKOM | 97
Jurnal Informatika dan Komputer (INFOKOM) Volume x Nomor x Tahun x
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM intensif dan proses evaluasi komprehensif meliputi confusion matrix.
ROC-AUC, t-SNE embedding, dan interpretabilitas GradCAM .
Gambar 1 Flowchart Alur Penelitian Secara umum, alur metodologi penelitian mengikuti tahapannya.
Pengumpulan dan pemahaman dataset Pra-pemrosesan citra Augmentasi citra Pembentukan dataset PyTorch Pemanggilan EfficientNet-B0 Pelatihan model Pemilihan model terbaik Evaluasi komprehensif Visualisasi hasil analisis Interpretabilitas model dengan GradCAM Dataset Dataset berasal dari kumpulan citra penyakit padi yang disertai label kelas pada C train_images/ Setiap baris pada train.
csv memuat:
Jurnal INFOKOM | 98
Jurnal Informatika dan Komputer (INFOKOM) Volume 13 Nomor 2 Tahun 2025
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM Nama gambar .
mage_i.
Label penyakit Dataset berisi beberapa kelas penyakit:
['tungro', 'hispa', 'downy_mildew', 'bacterial_leaf_streak', 'bacterial_leaf_blight', 'brown_spot', 'blast', 'normal', 'dead_heart', 'bacterial_panicle_blight'] C Pra-pemrosesan Data Tahapan pra-pemrosesan dilakukan sebagai berikut:
Membaca file CSV untuk mengambil nama gambar dan label.
Membuat mapping label ke angka .
abel2id dan id2labe.
Konversi citra dari format BGR ke RGB menggunakan OpenCV.
Resize citra menjadi ukuran 224 y 224 piksel sesuai kebutuhan EfficientNet.
Normalisasi tensor melalui transform bawaan PyTorch.
Error handling:
Jika gambar gagal dibaca, sistem mencoba mengakses citra lain sebagai fallback .
kali percobaa.
Dataset dibagi menjadi:
C 90% untuk pelatihan C 10% untuk validasi Augmentasi Citra Agar model lebih robust terhadap variasi kondisi lapangan, dilakukan augmentasi citra intensif, antara lain:
Tabel 1 Augmentasi Citra Intensif Augmentasi Resize Horizontal Flip Vertical Flip Rotation Color Jitter RandomResizedCrop Normalize via ToTensor Fungsi Utama Standardisasi ukuran Variasi orientasi Variasi orientasi Variasi sudut gambar Variasi cahaya & warna Variasi framing/crop Standardisasi data Augmentasi dilakukan setiap iterasi training, sehingga model menerima variasi data berbeda setiap epoch.
Arsitektur Model Model yang digunakan adalah EfficientNet-B0, yaitu CNN modern berbasis compound scaling yang menyeimbangkan kedalaman, lebar, dan resolusi.
Konfigurasi yang digunakan:
C Backbone: EfficientNet-B0 dari library timm
Jurnal INFOKOM | 99
Jurnal Informatika dan Komputer (INFOKOM) Volume x Nomor x Tahun x
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM Pretrained weights: False .
aik digunakan jika dataset besa.
Final classifier diganti menjadi Linear.
_features Ie jumlah kela.
Optimizer: (Anda bisa tambahkan Adam / SGD jika training block tersedi.
Loss function: Cross Entropy Loss Model di-load dari file best_model.
pth yang dipilih berdasarkan akurasi terbaik selama C Proses Inferensi Selama proses inferensi pada data validasi:
Batch citra dikirim ke model.
Model menghasilkan logits.
Logits dikonversi menjadi probabilitas melalui Softmax.
Probabilitas dikumpulkan untuk seluruh dataset validasi.
Prediksi diambil menggunakan argmax.
Fungsi inferensi mengembalikan:
C logits C probabilitas C label ground truth Evaluasi Model Evaluasi dilakukan menggunakan beberapa metrik dan visualisasi berikut:
Confusion Matrix Menggambarkan distribusi benarAesalah prediksi per kelas menggunakan heatmap (Seabor.
Classification Report Top-k Accuracy Visualisasi Prediksi Salah (Misclassified Image.
ROC Curve dan AUC Visualisasi t-SNE Embedding Ekstraksi fitur dari layer forward_features() EfficientNet untuk melihat distribusi embedding antar kelas dengan reduksi dimensi t-SNE.
GradCAM Menerapkan GradCAM untuk memahami area citra yang memberikan kontribusi terbesar dalam pengambilan keputusan model.
Visualisasi berupa heatmap yang diproyeksikan ke atas citra asli.
Perangkat dan Lingkungan Eksperimen Bahasa pemrograman: Python 3 Framework deep learning: PyTorch Library model: timm Tools evaluasi: sklearn.
Seaborn.
Matplotlib GPU: (Kaggle Tesla P100/T.
Jurnal INFOKOM | 100
Jurnal Informatika dan Komputer (INFOKOM) Volume 13 Nomor 2 Tahun 2025
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM C
Platform eksperimen: Kaggle Notebook
HASIL DAN PEMBAHASAN
Performa Klasifikasi Model Eksperimen yang dilakukan menggunakan arsitektur EfficientNet-B0 menunjukkan efektivitas yang sangat tinggi dalam mendeteksi penyakit padi.
Berdasarkan hasil evaluasi pada 1.
041 data uji, model berhasil mencapai tingkat Akurasi Top-1 sebesar 96,25% dan Akurasi Top-5 mencapai 99,90%.
Hal ini menunjukkan bahwa model tidak hanya akurat dalam prediksi utama, tetapi juga memiliki tingkat relevansi yang sangat tinggi dalam probabilitas lima besar kelas yang diprediksi.
Hasil metrik evaluasi secara mendalam disajikan dalam tabel berikut:
Tabel 2.
Laporan Klasifikasi Performa Model
Secara keseluruhan, nilai f1-score rata-rata sebesar 0,96 menegaskan bahwa model
memiliki performa yang stabil dan seimbang di seluruh kategori penyakit Analisis Confusion Matrix
Gambar 2 Confusion Matrix
Jurnal INFOKOM | 101
Jurnal Informatika dan Komputer (INFOKOM) Volume x Nomor x Tahun x
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM Gambar 2 menunjukkan Confusion Matrix yang menggambarkan distribusi prediksi model terhadap label sebenarnya.
Dominasi warna biru gelap pada diagonal utama mengonfirmasi bahwa sebagian besar citra diklasifikasikan dengan tepat.
Kelas Dead Heart menunjukkan performa hampir sempurna dengan 146 prediksi benar dari 147 Sedikit ambiguitas ditemukan pada kelas Downy Mildew, di mana beberapa sampel salah diprediksi sebagai Tungro.
Hal ini disebabkan oleh kemiripan visual pada pola klorosis dan degradasi warna daun yang seringkali tumpang tindih pada kedua jenis penyakit tersebut.
Evaluasi Kemampuan Diskriminasi (ROC Curv.
Gambar 3 ROC Curve per Class Kualitas klasifikasi lebih lanjut dibuktikan melalui kurva Receiver Operating Characteristic (ROC) pada Gambar 3.
Hampir seluruh kategori penyakit menunjukkan nilai AUC (Area Under Curv.
sebesar 1,00, kecuali kategori Downy Mildew yang memiliki nilai 0,99.
Tingginya nilai AUC ini menjadi bukti bahwa model memiliki kemampuan diskriminasi yang sangat kuat dalam memisahkan fitur antar kelas penyakit tanpa mengalami banyak kesalahan false positive.
Visualisasi Sebaran Fitur .
-SNE) Gambar 4.
t-SNE Feature Distribution Jurnal INFOKOM | 102
Jurnal Informatika dan Komputer (INFOKOM) Volume 13 Nomor 2 Tahun 2025
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM Untuk membedah cara model memproses informasi, dilakukan visualisasi tDistributed Stochastic Neighbor Embedding .
-SNE).
Gambar 4 memperlihatkan bahwa model berhasil memetakan fitur-fitur gambar ke dalam klaster yang terpisah secara jelas sesuai dengan label kelasnya.
Pemisahan ruang fitur yang bersih ini menjelaskan mengapa EfficientNet-B0 sangat efektif.
model mampu mengekstraksi karakteristik unik yang sangat spesifik dari tiap penyakit padi, sehingga meminimalkan kebingungan klasifikasi.
Interpretasi Visual Menggunakan Grad-CAM Gambar 5.
Visualisasi GradCAM Guna memastikan transparansi dan akuntabilitas keputusan AI, diterapkan teknik Grad-CAM .
Gambar 5 menunjukkan hasil peta panas .
di mana area berwarna merah .
okus tertinggi mode.
berada tepat pada lesi atau bercak penyakit di permukaan daun.
Hal ini memvalidasi bahwa model benar-benar mempelajari fitur patologis tanaman dan tidak terpengaruh oleh noise atau latar belakang gambar, sehingga hasil klasifikasi ini secara agrikultur dapat dipertanggungjawabkan.
Analisis Kesalahan Prediksi
Gambar 6 Contoh Prediksi Salah Jurnal INFOKOM | 103
Jurnal Informatika dan Komputer (INFOKOM) Volume x Nomor x Tahun x
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM Meskipun mencapai akurasi tinggi, analisis terhadap Gambar 6 (Contoh Prediksi Sala.
menunjukkan beberapa keterbatasan model.
Kesalahan klasifikasi, seperti penyakit Blast yang terdeteksi sebagai Hispa, umumnya terjadi pada gambar dengan kualitas pencahayaan yang ekstrem atau gejala penyakit yang masih sangat dini.
Hal ini menjadi catatan penting untuk pengembangan model di masa depan, terutama dalam menangani data dengan noise visual yang tinggi di lapangan.
KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan, dapat disimpulkan bahwa implementasi arsitektur EfficientNet-B0 yang dikombinasikan dengan strategi augmentasi citra intensif terbukti sangat efektif dalam mengklasifikasikan penyakit pada tanaman padi.
Penelitian ini menghasilkan beberapa temuan utama:
Akurasi Tinggi: Model berhasil mencapai tingkat Akurasi Top-1 sebesar 96,25% dan Akurasi Top-5 mencapai 99,90% pada data validasi.
Hal ini menunjukkan bahwa model memiliki tingkat presisi yang sangat tinggi dalam mendeteksi 10 kategori kondisi padi, termasuk penyakit yang memiliki kemiripan visual.
Stabilitas dan Generalisasi: Melalui analisis kurva akurasi dan loss, model menunjukkan proses konvergensi yang stabil tanpa adanya indikasi overfitting.
Penggunaan Transfer Learning mempercepat proses pembelajaran sementara teknik augmentasi meningkatkan kemampuan generalisasi model terhadap variasi pencahayaan dan sudut pengambilan gambar.
Transparansi Keputusan AI: Visualisasi menggunakan Grad-CAM mengonfirmasi bahwa model mengambil keputusan klasifikasi berdasarkan fitur patologis yang relevan .
esi pada dau.
, bukan berdasarkan latar belakang Hal ini diperkuat dengan analisis t-SNE yang menunjukkan terbentuknya klaster fitur yang terpisah secara jelas antar tiap kelas penyakit.
Reliabilitas Evaluasi: Nilai AUC pada ROC Curve yang mencapai 1,00 untuk mayoritas kelas membuktikan kemampuan diskriminasi model yang hampir Meskipun terdapat sedikit hambatan pada kelas Downy Mildew karena kemiripan tekstur, nilai rata-rata F1-Score sebesar 0,96 menegaskan bahwa sistem ini sangat reliabel untuk digunakan sebagai alat bantu deteksi dini di sektor Secara keseluruhan, pipeline klasifikasi ini siap diimplementasikan ke dalam perangkat berbasis mobile atau edge computing untuk membantu petani melakukan diagnosis penyakit padi secara cepat dan akurat di lapangan.
Jurnal INFOKOM | 104
Jurnal Informatika dan Komputer (INFOKOM) Volume 13 Nomor 2 Tahun 2025
E ISSN : 2722-4147 P ISSN : 2339-188X
OJS : http://journal.
id/index.
php/INFOKOM DAFTAR PUSTAKA