Tanaman tomat merupakan salah satu komoditas pertanian yang banyak dibudidayakan karena memiliki nilai ekonomi dan kebutuhan pasar yang tinggi. Namun, dalam proses budidayanya, tanaman tomat rentan terserang berbagai penyakit yang disebabkan oleh bakteri, jamur, virus, tungau, maupun organisme pengganggu lainnya. Penyakit tersebut sering kali terlihat dari perubahan fisik pada daun, seperti munculnya bercak, perubahan warna, keriting, layu, atau bentuk daun yang tidak normal. Jika tidak dikenali sejak awal, penyakit dapat menyebar lebih luas dan menyebabkan penurunan hasil panen, bahkan gagal panen.

Dalam praktik tradisional, petani biasanya mengidentifikasi penyakit tanaman berdasarkan pengalaman visual. Cara ini masih memiliki keterbatasan karena tidak semua petani memiliki pengetahuan patologi tanaman yang memadai. Kesalahan diagnosis dapat mengakibatkan kesalahan penanganan, misalnya penggunaan obat atau pestisida yang tidak sesuai. Oleh karena itu, pemanfaatan teknologi kecerdasan buatan menjadi solusi yang semakin relevan dalam membantu petani mengenali penyakit tanaman secara cepat dan akurat. Penelitian yang dilakukan oleh Chen, Widodo, Wisnujati, Rahaman, Lin, Chen, dan Weng membahas penerapan Convolutional Neural Network atau CNN berbasis modifikasi arsitektur AlexNet untuk mendeteksi dan mengklasifikasikan penyakit daun tomat melalui citra gambar.

CNN merupakan metode deep learning yang banyak digunakan dalam pengolahan citra. Metode ini mampu mengenali pola visual dari gambar melalui beberapa lapisan, seperti lapisan konvolusi, pooling, dropout, fully connected, dan output. Dalam konteks pertanian, CNN dapat digunakan untuk mengenali ciri khas penyakit pada daun berdasarkan warna, tekstur, bentuk bercak, dan pola kerusakan. Dengan pendekatan ini, proses identifikasi penyakit tidak lagi sepenuhnya bergantung pada pengamatan manual, tetapi dapat dibantu oleh sistem otomatis berbasis gambar.

Penelitian ini menggunakan dataset citra daun tomat yang diperoleh dari Kaggle. Dataset tersebut terdiri dari 18.345 data pelatihan dan 4.585 data pengujian. Seluruh gambar dibagi ke dalam sepuluh kategori, yaitu bacterial spot, early blight, late blight, leaf mold, mosaic virus, yellow leaf curl virus, septoria leaf spot, target spot, spider mites, dan healthy. Setiap gambar diproses dalam ukuran 64 × 64 piksel RGB agar sesuai dengan kebutuhan model dan lebih ringan untuk diterapkan pada perangkat seluler. Pada halaman 5 dan 6 dokumen, grafik distribusi data pelatihan dan pengujian menunjukkan bahwa setiap kelas memiliki jumlah data yang relatif seimbang, meskipun terdapat sedikit perbedaan jumlah antar kategori.

Salah satu kontribusi penting penelitian ini adalah penerapan model CNN ke dalam aplikasi Android. Hal ini penting karena smartphone lebih mudah diakses oleh petani dibandingkan perangkat komputer dengan spesifikasi tinggi. Aplikasi yang dikembangkan memungkinkan pengguna mengambil atau mengunggah foto daun tomat, kemudian sistem akan menganalisis gambar tersebut dan menampilkan hasil prediksi penyakit. Pada halaman 11 dan 12, ditampilkan antarmuka aplikasi mobile yang mencakup halaman awal, login, registrasi, dashboard, daftar penyakit, halaman deteksi penyakit, hingga fitur pencarian toko tanaman. Visual tersebut menunjukkan bahwa penelitian ini tidak hanya berhenti pada pengujian model, tetapi juga diarahkan pada penggunaan praktis oleh pengguna lapangan.

Arsitektur CNN yang digunakan merupakan modifikasi dari AlexNet. AlexNet dikenal sebagai salah satu arsitektur CNN yang berhasil dalam klasifikasi citra berskala besar. Namun, model asli AlexNet memiliki jumlah parameter yang cukup besar, sehingga kurang ideal untuk perangkat dengan keterbatasan memori seperti smartphone. Karena itu, penelitian ini menyederhanakan arsitektur AlexNet agar lebih ringan, tetapi tetap mampu menghasilkan akurasi tinggi. Model yang digunakan terdiri dari tiga lapisan konvolusi, tiga lapisan fully connected, dan satu lapisan output. Fungsi aktivasi yang digunakan pada lapisan tersembunyi adalah ReLU, sedangkan lapisan output menggunakan Softmax untuk menentukan kelas penyakit dengan probabilitas tertinggi. Diagram arsitektur modifikasi AlexNet pada halaman 8 memperlihatkan alur pemrosesan gambar dari input, Conv2D, MaxPooling, Dropout, Flatten, Dense, hingga Softmax.

Dalam proses pelatihan, penelitian ini menggunakan optimizer Adam dengan learning rate 0,0005, jumlah epoch 75, batch size 128, dan fungsi loss categorical cross entropy. Parameter ini dipilih agar model mampu belajar secara stabil dari data gambar yang memiliki banyak kelas. Setelah model selesai dilatih, model dikonversi ke format TensorFlow Lite agar dapat dijalankan pada aplikasi Android. Konversi ini menjadi langkah penting karena TensorFlow Lite dirancang untuk menjalankan model machine learning pada perangkat mobile dengan konsumsi sumber daya yang lebih rendah.

Hasil penelitian menunjukkan bahwa model yang dikembangkan memiliki performa sangat baik. Model memperoleh akurasi rata-rata sekitar 96%, precision 98%, recall 95%, dan F-measure 97%. Pada pengujian tertentu, model mampu mengenali penyakit seperti bacterial spot, spider mites, yellow leaf curl virus, daun sehat, dan septoria leaf spot dengan tingkat akurasi yang sangat tinggi. Confusion matrix pada halaman 14 dan tabel evaluasi pada halaman 15 menunjukkan bahwa sebagian besar kelas dapat diklasifikasikan secara tepat, meskipun masih terdapat sedikit kesalahan prediksi pada beberapa jenis penyakit yang memiliki pola visual mirip.

Secara keseluruhan, penelitian ini membuktikan bahwa CNN berbasis modifikasi AlexNet dapat digunakan untuk mendeteksi penyakit daun tomat secara efektif. Integrasi model ke dalam aplikasi Android membuat teknologi ini lebih praktis dan mudah digunakan oleh petani. Dengan mengambil gambar daun melalui smartphone, petani dapat memperoleh informasi awal mengenai jenis penyakit yang menyerang tanaman. Informasi ini dapat membantu pengambilan keputusan lebih cepat, sehingga penanganan penyakit dapat dilakukan sebelum kerusakan tanaman semakin parah.

Meski hasilnya menjanjikan, pengembangan lanjutan tetap diperlukan. Penelitian berikutnya dapat membandingkan performa model ini dengan arsitektur lain seperti GoogLeNet, ResNet, MobileNet, atau EfficientNet yang mungkin memberikan akurasi lebih tinggi dan waktu prediksi lebih cepat. Selain itu, pengujian pada kondisi lapangan nyata juga penting, karena pencahayaan, sudut pengambilan gambar, kualitas kamera, dan latar belakang daun dapat memengaruhi hasil deteksi. Dengan penyempurnaan tersebut, sistem deteksi penyakit berbasis CNN berpotensi menjadi alat bantu digital yang bermanfaat dalam pertanian modern.

Referensi Penelitian

Chen, H.-C., Widodo, A. M., Wisnujati, A., Rahaman, M., Lin, J. C.-W., Chen, L., & Weng, C.-E. (2022). AlexNet Convolutional Neural Network for Disease Detection and Classification of Tomato Leaf. Electronics, 11(6), 951.https://www.scopus.com/pages/publications/85126692256?origin=resultslist

(MHN)