Implementasi Metode Convolutional Neural Network (CNN)berbasis Internet Of Things untuk Klasifikasi Hama Tanamanpada Daun Anggur

Abstract

Penelitian ini mengatasi tantangan utama dalam
sektor pertanian, khususnya peningkatan permintaan pangan
dan dampak perubahan iklim, dengan fokus pada deteksi dini
hama tanaman untuk mencegah gagal panen. Penelitian ini
bertujuan untuk mengklasifikasikan hama pada tanaman
anggur menggunakan metode Convolutional Neural Network
(CNN) . Metodologi penelitian melibatkan penggunaan Grape
Dataset yang berisi 9.207 citra daun anggur dari empat
kategori: Black Rot, Esca, Leaf Blight, dan Healthy . Proses
pra-pemrosesan data meliputi resize gambar menjadi 180x180
piksel, konversi RGB ke grayscale, filtering, cropping,
thresholding, dan segmentation untuk memfokuskan analisis
pada area daun yang relevan . Model CNN dirancang dengan
tiga lapisan konvolusi (32, 64, 128 filter) dan memiliki total
13.201.732 parameter. Hasil penelitian menunjukkan bahwa
model mencapai akurasi validasi sebesar 97,85% dengan loss
yang stabil sekitar 0,14 pada epoch akhir. Precision, recall,
dan F1-score untuk setiap kelas mencapai ≥0,98, dengan 1.00
untuk kelas Esca dan Healthy . Ini membuktikan efektivitas
CNN dalam mengklasifikasikan kondisi daun anggur dengan
akurasi dan generalisasi yang sangat baik, tanpa overfitting
yang signifikan