Perancangan Aplikasi Machine Learning Identifikasi Penyakit Daun Tanaman Tomat Sayur Menggunakan Metode Convolutional Neural Network Serta Rekomendasi Penanganan Dan Pencegahannya

Abstract

Gangguan penyakit pada daun dapat berdampak pada mutu dan produktivitas tanaman tomat, sementara pengenalan gejala yang hanya mengandalkan pengamatan visual berisiko menghasilkan penilaian yang berbeda antar pengguna. Penelitian ini merancang aplikasi machine learning berbasis web dengan Convolutional Neural Network (CNN) untuk membedakan sepuluh kondisi daun tomat dan menyajikan rekomendasi penanganan serta pencegahannya. Proses pengembangan mengikuti CRISP-DM dan memanfaatkan Tomato Leaf Diseases Plant Village Augmented Data. Seluruh citra diseragamkan menjadi 150 × 150 piksel, dinormalisasi, diberi augmentasi pada data latih, lalu dialokasikan ke subset pelatihan dan validasi dengan proporsi 80:20. Arsitektur custom yang digunakan memuat tiga blok konvolusi yang dipadukan dengan batch normalization dan max pooling, kemudian dilanjutkan dengan global average pooling, dense layer, dropout, serta keluaran softmax berisi sepuluh neuron. Pelatihan berlangsung selama sepuluh epoch menggunakan optimizer Adam dan learning rate 0,0001. Validation accuracy tertinggi mencapai 80,12%, sedangkan classification report menunjukkan accuracy keseluruhan 80% dan weighted F1-score 0,80. Tomato Yellow Leaf Curl Virus memberikan hasil paling seimbang dengan F1-score 0,94. Model terpilih selanjutnya diterapkan pada Streamlit agar pengguna dapat memperoleh kelas prediksi, confidence score, penjelasan penyakit, serta rekomendasi praktis.