Klasifikasi Kondisi Tanaman Cabai Sehat dan Tidak Sehat Menggunakan Convolutional Neural Network Berbasis Teachable Machine
DOI:
https://doi.org/10.47701/a0nwc842Keywords:
Tanaman cabai, klasifikasi, pengolahan citra digital, Convolutional Neural Network (CNN), Teachable MachineAbstract
Tanaman cabai merupakan salah satu komoditas hortikultura yang memiliki nilai ekonomi tinggi di Indonesia. Namun, produktivitas tanaman cabai kerap mengalami penurunan akibat serangan penyakit yang dapat merusak tanaman. Deteksi dini terhadap kondisi kesehatan tanaman cabai sangat diperlukan guna mencegah penyebaran penyakit lebih luas. Penelitian ini bertujuan untuk membangun model klasifikasi kondisi tanaman cabai sehat dan tidak sehat menggunakan metode Convolutional Neural Network (CNN) berbasis Teachable Machine. Data citra tanaman cabai dikelompokkan menjadi dua kelas, yaitu Healthy (sehat) dan Unhealthy (tidak sehat). Proses pelatihan model dilakukan selama 50 epoch dengan ukuran citra 224 x 224 piksel. Berdasarkan hasil pengujian, model berhasil mencapai akurasi total sebesar 91%, dengan akurasi klasifikasi masing-masing kelas sebesar 83% untuk tanaman sehat dan 100% untuk tanaman tidak sehat. Hasil ini menunjukkan bahwa model CNN berbasis Teachable Machine dapat digunakan sebagai alat bantu deteksi dini kondisi kesehatan tanaman cabai secara praktis dan efisien.
References
[1] Ni Made Nike Zeamita Widiyanti et al., “Pemberdayaan Masyarakat Petani Melalui Penyuluhan Teknik Pembibitan Tanaman Cabai Di Desa Paoq Pampang Kecamatan Sukamulia Kabupaten Lombok Timur,” J. SIAR ILMUWAN TANI, vol. 4, no. 1, pp. 15–19, 2023, doi: 10.29303/jsit.v4i1.81.
[2] L. P. Putri, M. R. Muttaqin, Y. R. Ramadhan, T. Informatika, and S. T. T. Wastukancana, “Klasifikasi Penyakit Daun Cabai Menggunakan Model MobileNet,” vol. 15, no. 1, pp. 74–86, 2025.
[3] I. Perlindungan and Risnawati, “Pengenalan Tanaman Cabai Dengan Teknik Klasifikasi Menggunakan Metode CNN,” Semin. Nas. Mhs. ilmu Komput. dan Apl., pp. 15–22, 2020.
[4] H. M S, †, Niteesha Sharma, Y Sowjanya, Ch. Santoshini, R Sri Durga, and V. Akhila, “Plant disease prediction using convolutional neural network,” Emit. Int. J. Eng. Technol., vol. 9, no. 2, pp. 283–293, 2021, doi: 10.24003/emitter.v9i2.640.
[5] M. I. Keskes, C. N. Networks, S. Agriculture, and G. Scholar, “Review of The Current State of Deep Learning Applications in Agriculture Applications in Agriculture,” pp. 0–22, 2025, doi: 10.20944/preprints202504.1290.v2.
[6] S. Suhendar, A. Purnama, and E. Fauzi, “Deteksi Penyakit Pada Daun Tanaman Ubi Jalar Menggunakan Metode Convolutional Neural Network,” J. Ilm. Inform. Glob., vol. 14, no. 3, pp. 62–67, 2023, doi: 10.36982/jiig.v14i3.3478.
[7] F. Sulistiyana and S. Anardani, “Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Convolutional Neural Network dan Support Vector Machine,” Semin. Nas. Teknol. Inf. dan Komun., vol. 6, no. 1, pp. 423–432, 2023.
[8] M. S. Pramono and A. P. Wibowo, “PENERAPAN CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI PENYAKIT PADA TANAMAN PADI DARI CITRA DAUN MENGGUNAKAN MODEL RESNET-101,” Djtechno J. Teknol. Inf., vol. 5, no. 3, pp. 415–430, Dec. 2024, doi: 10.46576/djtechno.v5i3.5098.
[9] I. Wirabowo, I. Susilawati, T. Informasi, U. Mercu, and B. Yogyakarta, “Implementasi Convolution Neural Network ( CNN ) untuk Deteksi Penyakit pada Daun Jagung Berbasis Citra Digital,” vol. 5, no. 1, pp. 233–241, 2025.
[10] M. Khoiruddin, A. Junaidi, and W. A. Saputra, “Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network,” J. Dinda Data Sci. Inf. Technol. Data Anal., vol. 2, no. 1, pp. 37–45, Feb. 2022, doi: 10.20895/dinda.v2i1.341.
