Identifikasi Penyakit Daun Jeruk Siam Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur EfficientNet

Abstract

Jeruk siam menjadi salah satu komoditas hortikultura yang memegang peranan utama dalam sektor pertanian Indonesia dengan jumlah produksi yang mencapai 2 juta ton setiap tahunnya. Namun, produksi jeruk siam rentan terhadap serangan hama dan penyakit, terutama pada bagian daun. Penyakit yang umum terjadi termasuk Blackspot Leaf, Canker Leaf, Greening Leaf, Powdery Mildew, dan Citrus Leafminer. Pada umunya identifikasi penyakit pada tanaman jeruk dilakukan secara manual sehingga penentuan penyakit cenderung subyektif. Oleh karena itu, diperlukan solusi otomatis dalam mendeteksi penyakit pada daun jeruk. Tujuan penelitian yaitu untuk mengidentifikasi penyakit yang menyerang daun jeruk menggunakan metode deep learning yaitu CNN dengan arsitektur EfficientNetB3. Dataset yang digunakan adalah citra penyakit daun jeruk yang diambil langsung dari kebun jeruk yang dibagi menjadi 6 kelas seperti pada penyakit yang disebutkan di atas. Hasil penelitian menggunakan skenario epoch 10 dengan optimizer Adam memperoleh hasil akurasi terbaik yaitu 0,98 (98%).

Plant phenotyping relevance

葉の画像から柑橘の病害状態をCNNで自動識別する手法が研究の中心であり、植物病害フェノタイピングに該当する。

Code and data availability

The paper describes a self-collected dataset of 480 citrus leaf disease images and an EfficientNetB3 model, but contains no availability statement, repository link, DOI, or supplement for the dataset, images, code, or trained model. All URLs in the text are cited references, not paper-specific assets.

No evidence-backed public reproduction asset is currently recorded.