Deteksi Penyakit Daun Tomat Real-Time pada Platform Android Berbasis Convolutional Neural Network
DOI:
https://doi.org/10.52436/1.jpti.964Kata Kunci:
Android, CNN, klasifikasi real-time, MobileNetV2V2, penyakit daun tomatAbstrak
Tanaman tomat (Solanum lycopersicum) merupakan komoditas hortikultura dengan kerentanan tinggi terhadap infeksi patogen pada daun, berdampak signifikan pada kualitas dan produktivitas. Identifikasi dini penyakit daun tomat menjadi krusial untuk mencegah kerugian ekonomi, namun metode konvensional secara visual dinilai kurang efektif karena bersifat subjektif dan membutuhkan waktu lama. Penelitian ini bertujuan mengembangkan aplikasi mobile untuk mengidentifikasi penyakit daun tomat secara real-time, akurat, dan dapat mengetahui hasil langsung di lokasi penanaman. Sistem dikembangkan menggunakan pendekatan CNN dengan arsitektur MobileNetV2V2 yang di optimasi untuk perangkat mobile. Model dilatih menggunakan 9.600 citra daun tomat mencakup enam kategori penyakit, dikonversi ke format ONNX dan diimplementasikan ke platform Android melalui Unity dengan framework Barracuda. Evaluasi model menunjukkan performa yang sangat baik dengan akurasi pelatihan 95%. Pengujian pada 60 sampel di lingkungan nyata menghasilkan akurasi deteksi real-time 88,33%, dengan precision 87,5%, recall 88,3%, dan F1-score 87,9%. Aplikasi ini menawarkan solusi praktis bagi petani untuk identifikasi penyakit tanpa bergantung pada koneksi internet, memungkinkan penanganan dini yang tepat, mengurangi penggunaan pestisida berlebihan, dan berpotensi meningkatkan produktivitas tanaman tomat melalui pengendalian penyakit yang lebih efektif.
Unduhan
Referensi
R. Khan, N. Ud Din, A. Zaman, and B. Huang, “Automated Tomato Leaf Disease Detection Using Image Processing: An SVM-Based Approach with GLCM and SIFT Features,” J. Eng. (United Kingdom), vol. 2024, 2024, doi: 10.1155/2024/9918296.
M. E. Astuti and T. Achamar, “Pemanfaatan Buah Tomat Selain Sebagai Konsumsi Rumah Tangga dalam Kehidupan Sehari-hari,” J. Hulonthalo Serv. Soc., vol. 1, no. 1, pp. 22–27, 2022, doi: https://doi.org/10.47918/jhss.v1i1.651.
S. Syahara and Y. Vera, “Penyuluhan pemanfaatan buah Tomat sebagai produk kosmetik antioksidan alami di desa Manunggang Julu,” J. Educ. Dev., vol. 8, no. 1, pp. 21–22, 2020, doi: https://doi.org/10.37081/ed.v8i1.1488.
Badan Pusat Statistik Indonesia, “Produksi Tanaman Sayuran, 2021-2023.” https://www.bps.go.id/id/statistics-table/2/NjEjMg==/produksi-tanaman-sayuran.html (accessed Jan. 10, 2024).
M. Mustafa, R. W. Mwangi, Z. Szalai, N. Kappel, and L. Csambalik, “Sustainable responses to open field tomato (Solanum lycopersicum L.) stress impacts,” J. Agric. Food Res., vol. 21, no. April 2024, 2025, doi: 10.1016/j.jafr.2025.101825.
E. Setia Budi, A. Nofriyaldi Chan, P. Priscillia Alda, and M. Arif Fauzi Idris, “RESOLUSI?: Rekayasa Teknik Informatika dan Informasi Optimasi Model Machine Learning untuk Klasifikasi dan Prediksi Citra Menggunakan Algoritma Convolutional Neural Network,” Media Online, vol. 4, no. 5, p. 509, 2024, doi: 10.30865/resolusi.v4i5.1892.
J. Lu, L. Tan, and H. Jiang, “Review on convolutional neural network (CNN) applied to plant leaf disease classification,” Agric., vol. 11, no. 8, pp. 1–18, 2021, doi: 10.3390/agriculture11080707.
Nining Putri Ningsih, Emi Suryadi, Lalu Darmawan Bakti, and Bahtiar Imran, “Klasifikasi Penyakit Early Blight Dan Late Blight Pada Tanaman Tomat Berdasarkan Citra Daun Menggunakan Metode Cnn Berbasis Website,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 1, no. 3, pp. 27–35, 2022, doi: 10.69916/jkbti.v1i3.10.
A. J. Bastari and A. Cherid, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Convolutional Neural Network dan Implementasi Model H5 Pada Aplikasi Desktop,” Simkom, vol. 8, no. 2, pp. 199–207, 2023, doi: 10.51717/simkom.v8i2.194.
A. Maysela and N. Rohma, “Diagnosa Penyakit Tanaman Tomat pada Citra Daun Menggunakan Metode Convolutional Neural Network (CNN),” JIMU J. Ilm. Multi Disiplin, vol. 02, no. 03, pp. 555–567, 2024, [Online]. Available: https://ojs.smkmerahputih.com/index.php/jimu/article/view/407
F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.
T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
Y. Prasetyo et al., “Analisis Perbandingan Optimizer SGD dan Adam pada Model CNN untuk Klasifikasi Jamur Edible dan Poisonous,” vol. 9, no. 1, pp. 1348–1354, 2025, doi: https://doi.org/10.36040/jati.v9i1.12659.
M. W. Sardjono, V. Ramadhan, V. Ramadhan, M. Cahyanti, and E. R. Swedia, “Klasifikasi Bentuk Bingkai (Frame) Kacamata Menggunakan CNN dengan Arsitektur Inception V3 dan Augmented Reality Berbasis Android,” J. Syst. Comput. Eng., vol. 5, no. 2, pp. 204–218, 2024, doi: 10.61628/jsce.v5i2.1292.
Y. Gulzar, “Fruit Image Classification Model Based on MobileNetV2V2 with Deep Transfer Learning Technique,” Sustain., vol. 15, no. 3, 2023, doi: 10.3390/su15031906.
D. Dhimas, P. Putra, G. Kurnia Anaga, and W. T. Fitriyana, “Implementasi Algoritma Convolutional Neural Network Arsitektur MobileNetV2v2 Untuk Klasifikasi Ekspresi Wajah Pada Dataset FER,” Pros. Semin. Nas. Teknol. Dan Sains, vol. 3, no. 1, pp. 291–297, 2024, doi: https://doi.org/10.29407/4t4bh918.
Keras, “Keras Applications.” https://keras.io/api/applications/ (accessed May 16, 2025).
A. Dharmaputra, M. Cahyanti, M. R. D. Septian, and E. R. Swedia, “Aplikasi Face Mask Detection Menggunakan Neural Network MobileNetV2v2 Berbasis Android,” Sebatik, vol. 25, no. 2, pp. 382–389, 2021, doi: 10.46984/sebatik.v25i2.1503.
H. F. Dalimunthe and P. Simanjuntak, “Aplikasi Pengenalan Perangkat Keras Komputer Berbasis Android Menggunakan Augmented Reality,” Comput. Sci. Ind. Eng., vol. 9, no. 2, pp. 183–194, 2023, doi: 10.33884/comasiejournal.v9i2.7624.
C. Setianingsih, “Pengembangan Sistem Backend Menggunakan . Net Pada Aplikasi Konsultasi Makanan Diet Menggunakan Deep Learning,” vol. 11, no. 4, pp. 3085–3090, 2024.
Unity Technology, “Introduction to Barracuda,” 2023. https://docs.unity3d.com/Packages/com.unity.barracuda@1.0/manual/index.html (accessed Mar. 23, 2025).
C. Mills, “Getting Started With Deep Learning in Unity,” Christian Mills, 2022. https://christianjmills.com/posts/deep-learning-unity-intro/ (accessed Apr. 09, 2024).
Koki Ibukuro, “ONNX Runtime on Unity,” Medium, 2024. https://medium.com/%40asus4/onnx-runtime-on-unity-a40b3416529f (accessed Apr. 09, 2024).
Ronny Westphal, Developing a Neural Network Model for Semantic Segmentation. 100 44 Flemingsberg, Swedia: KTH Skolan för kemi, bioteknologi och hälsa, 2023.
L. Ayu Amizhora and T. Sutabri, “Rancangan Prototype Aplikasi Laundrytime Menggunakan Metode Ucd,” J. Salome Multidisipliner Keilmuan, vol. 1, no. 2, pp. 91–99, 2023.
R. Nurhidayat and K. E. Dewi, “Penerapan Algoritma K-Nearest Neighbor Dan Fitur Ekstraksi N-Gram Dalam Analisis Sentimen Berbasis Aspek,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 91–100, 2023, doi: 10.34010/komputa.v12i1.9458.
W. I. Rahayu, C. Prianto, and E. A. Novia, “Perbandingan Algoritma K-Means dan Naive Bayes untuk Memprediksi Prioritas Pembayaran Tagihan Rumah Sakit Berdasarkan Tingkat Kepentingan pada PT. Pertamina (Persero),” J. Tek. Inform., vol. 13, no. 2, pp. 1–8, 2021.
R. Agustina, R. Magdalena, and N. K. C. Pratiwi, “Klasifikasi Kanker Kulit menggunakan Metode Convolutional Neural Network dengan Arsitektur VGG-16,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 10, no. 2, p. 446, 2022, doi: 10.26760/elkomika.v10i2.446.
K. Setiyanto and M. Bolang, “Analisis perbandingan hasil klasifikasi jenis penyakit tanaman tomat menggunakan arsitektur MobileNetV2, densenet121, dan xception 1,2,” vol. 3, no. 3, pp. 56–69, 2024, doi: https://doi.org/10.56127/jts.v3i3.1898.
A. R. Sujiwanto, R. R. B. P. Prawirodirjo, and P. Palupiningsih, “Analisis Perbandingan Performa Model Klasifikasi Kesehatan Daun Tomat menggunakan arsitektur VGG, MobileNetV2, dan Inception V3,” J. Ilmu Komput. dan Agri-Informatika, vol. 10, no. 1, pp. 98–110, 2023, doi: 10.29244/jika.10.1.98-110.
