Klasifikasi penyakit daun kopi arabika berbasis gambar menggunakan model Convolutional Neural Networks DenseNet121

Alwy, Solehudin Muhammad (2025) Klasifikasi penyakit daun kopi arabika berbasis gambar menggunakan model Convolutional Neural Networks DenseNet121. Klasifikasi penyakit daun kopi arabika berbasis gambar menggunakan model Convolutional Neural Networks DenseNet121, 6 (2). pp. 881-890. ISSN 2686-228X

Preview

Text Klasifikasi Penyakit Daun Kopi Arabika Berbasis Gambar Menggunakan Model Convolutional Neural Networks DenseNet121.pdf Download (557kB) | Preview

Abstract

Deteksi penyakit daun kopi arabika sangat penting untuk meningkatkan kualitas dan hasil panen kopi. Penelitian ini bertujuan untuk menerapkan model Convolutional Neural Networks DenseNet121 dalam mengidentifikasi tiga jenis penyakit pada daun kopi arabika, yaitu Rust, Phoma, dan Miner. Data yang digunakan terdiri dari gambar daun kopi arabika yang terbagi menjadi data training, validasi, dan uji. Model dilatih menggunakan optimizer Adamax dengan pengaturan hyperparameter, seperti epoch maksimum 30 dan batch size 32. Selama pelatihan, model mencapai akurasi validasi sebesar 98,86% sebelum dihentikan oleh callback early stopping pada epoch ke-28 untuk mencegah overfitting. Evaluasi model yang memanfaatkan confusion matrix menghasilkan akurasi 97% pada data uji, dengan nilai precision, recall, dan F1-score yang sangat baik pada sebagian besar kategori, terutama pada kelas Healthy, Miner, dan Phoma. Kelas Rust menunjukkan recall yang lebih rendah akibat ketidakseimbangan jumlah data pada data uji. Hasil penelitian ini menunjukkan bahwa model DenseNet121 dapat diandalkan untuk mendeteksi penyakit pada daun kopi arabika dengan akurasi yang tinggi dan memberikan kontribusi penting untuk teknologi pemantauan kesehatan tanaman kopi, yang dapat membantu petani dalam deteksi dini dan meningkatkan produktivitas pertanian kopi.

Actions (login required)

View Item