Klasifikasi Penyakit Daun Tomat Menggunakan Convolutional Neural Network (CNN) Berbasis EfficientNetB0

Abstract

Penelitian ini dirancang untuk mengembangkan sistem klasifikasi penyakit pada daun tomat menggunakan metode Deep Learning dengan arsitektur Convolutional Neural Network (CNN) berbasis arsitektur model EfficientNetB0 dengan pendekatan Transfer Learning. Dataset yang digunakan untuk penelitian diambil dari Kaggle (ashishmotwani/tomat) dan terdiri dari lebih 20.000 gambar daun tomat yang terbagi menjadi 11 kelas yaitu 10 kelas daun sakit dan 1 kelas daun sehat. Penelitian dilakukan menggunakan platform Google Colab dengan GPU T4. Tahapan penelitian meliputi preprocessing dataset, augmentasi dataset, pembagian data train-validation-test, pembangunan model CNN berbasis EfficientNetB0, pelatihan model dengan mekanisme fine-tuning, serta evaluasi performa menggunakan confusion matrix, precision, recall, dan F1-score. Konfigurasi menggunakan input size 224 × 224 pixel, batch size 32, learning rate awal 0,001 dan maksimal 50 epoch. Hasil menunjukkan bahwa seluruh penyelesaian 50 epoch dengan training accuracy terbaik adalah 99,63% dan validation accuracy terbaik adalah 87,27% yang dicapai pada epoch ke-49. Model terbaik di-restore dari epoch ke-49 berdasarkan nilai val accuracy tertinggi. Kelas Powdery Mildew, Target Spot, dan Tomato Yellow Leaf Curl Virus memperoleh nilai recall tertinggi. Implementasi EfficientNetB0 terbukti efektif dalam melakukan klasifikasi penyakit daun tomat sehingga dapat untuk diterapkan pada sistem pertanian cerdas berbasis mobile maupun web.

Plant phenotyping relevance

トマト葉の画像から病害状態を推定するCNN分類手法の開発・性能評価が研究の中心であり、植物表現型（病害状態）の画像ベース推定に該当する。

Code and data availability

The paper uses a public Kaggle tomato leaf disease dataset (ashishmotwani/tomato) as input, but this is a pre-existing third-party dataset, not an authors' deposit, and no code, model checkpoints, or supplementary assets are stated as available. No paper-specific public asset qualifies.

No evidence-backed public reproduction asset is currently recorded.