DETEKSI PENYAKIT BERCAK PADA DAUN BIBIT SAWIT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Indonesia, sebagai negara kaya akan perkebunan, sangat mengandalkan industri kelapa sawit untuk pertumbuhan ekonomi. Salah satu tantangan dalam budidaya kelapa sawit adalah munculnya penyakit bercak daun, terutama pada bibit, yang dapat berdampak negatif pada produksi. Studi ini menyelidiki penerapan Convolutional Neural Network (CNN) untuk deteksi otomatis penyakit bercak daun pada bibit kelapa sawit. Studi ini menggunakan metodologi komprehensif yang melibatkan tinjauan pustaka, pengumpulan dataset, pra-pemrosesan data, pengembangan model menggunakan CNN, dan penyetelan hiperparameter. Dataset terdiri dari 600 gambar daun bibit kelapa sawit, yang terdiri dari sampel sehat dan sakit. Gambar-gambar tersebut diproses, diubah ukurannya, dinormalisasi untuk memfasilitasi pelatihan model. Arsitektur model CNN dirancang dengan lapisan-lapisan konvolusi, lapisan max-pooling, lapisan dropout, dan lapisan output. Hiperparameter seperti ukuran batch, tingkat dropout, pengoptimal, dan tingkat pembelajaran disetel untuk mengoptimalkan kinerja model. Implementasi model CNN menunjukkan kinerja yang luar biasa dalam deteksi penyakit, mencapai akurasi 99%. Analisis plot akurasi dan kehilangan pelatihan dan validasi menunjukkan kemampuan pembelajaran dan generalisasi model yang efektif. Laporan klasifikasi mengungkapkan nilai presisi, recall, dan F1-score yang tinggi, menunjukkan kemampuan model untuk membedakan dengan akurat antara bibit kelapa sawit yang sehat dan sakit.