Klasifikasi Penyakit Tanaman Kembang Kol Dengan Metode Deep Learning Convolutional Neural Network Berbasis Citra Digital
DOI:
https://doi.org/10.36350/jbs.v16i2.339Keywords:
Cauliflower, Deep Learning, CNN, ResNet50, Disease Classification PlantsAbstract
Klasifikasi penyakit pada tanaman kembang kol (Brassica oleracea var. botrytis L.) menggunakan metode Deep Learning dengan arsitektur Convolutional Neural Network (CNN), khususnya ResNet50. Latar belakang penelitian ini didasari oleh permasalahan petani yang masih mengandalkan cara manual dalam mendeteksi penyakit tanaman, sehingga membutuhkan waktu lama, biaya besar, serta rentan kesalahan. Tujuan penelitian adalah mengklasifikasi penyakit kembang kol berdasarkan citra digital dan mengukur tingkat akurasi model ResNet50 dalam proses klasifikasi. Dataset yang digunakan berjumlah 400 citra, terbagi dalam 4 kelas, yaitu No Disease, Black Rot, Bacterial Spot Rot, dan Downy Mildew. Data dibagi untuk proses pelatihan, validasi, dan pengujian. Hasil penelitian menunjukkan bahwa model ResNet50 mampu mengklasifikasi penyakit kembang kol dengan tingkat akurasi 79%. Kesimpulannya, penerapan CNN berbasis ResNet50 efektif dalam mendeteksi penyakit kembang kol dan dapat membantu petani dalam meningkatkan kualitas serta kuantitas hasil panen.
Downloads
References
[1] F. D. Rahmahtika, K. Sulandjari, and S. Suhaeni, “ANALISIS PENDAPATAN DAN KELAYAKAN SERTA BREAK EVENT POINT (BEP) USAHATANI KEMBANG KOL (Brassica oleracea var. Botrytis L.) DI DESA CARIUMULYA KECAMATAN TELAGASARI KABUPATEN KARAWANG,” Agrilan J. Agribisnis Kepul., vol. 11, no. 2, p. 108, 2023, doi: 10.30598/agrilan.v11i2.1610.
[2] Sudirman, Nurdalila, and A. Sumiahadi, “PENGARUH PEMBERIAN BERBAGAI PUPUK ORGANIK PADAT TERHADAP PERTUMBUHAN DAN PRODUKSI TANAMAN KEMBANG KOL (Brassica oleracea var. botrytis L.),” J. Pertan. Presisi (Journal Precis. Agric., vol. 6, no. 2, pp. 161–174, 2022, doi: 10.35760/jpp.2022.v6i2.7232.
[3] L. C. Soedirga, I. C. Matita, and T. E. Wijaya, “Karakteristik Fisikokimia Tepung Kembang Kol Hasil Pengeringan Dengan Pengering Kabinet Dan Oven,” J. Sais dan Teknol., vol. 4, no. 2, pp. 57–68, 2020.
[4] G. P. Kanna et al., “Advanced deep learning techniques for early disease prediction in cauliflower plants,” Sci. Rep., vol. 13, no. 1, pp. 1–21, 2023, doi: 10.1038/s41598-023-45403-w.
[5] E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN),” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 117–123, 2020, doi: 10.31294/p.v22i2.8907.
[6] R. Wardhani and N. Nafi’iyah, “Identifikasi Tumor Otak Citra MRI dengan Convolutional Neural Network,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 213–219, 2023, doi: https://doi.org/10.30591/jpit.v8i3.4985.
[7] U. S. Rahmadhani and N. L. Marpaung, “Klasifikasi Jamur Berdasarkan Genus Dengan Menggunakan Metode CNN,” J. Inform. J. Pengemb. IT, vol. 8, no. 2, pp. 169–173, 2023, doi: 10.30591/jpit.v8i2.5229.
[8] Z. Firmansyah et al., “BERDASARKAN DAUN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK ( CNN ) DENGAN ARSITEKTUR,” TECHNOMEDIA Informatics Comput. Sci., vol. 2, no. 2, pp. 63–71, 2025, doi: https://doi.org/10.58641/technomedia.v2i2.150.
[9] D. Setiawan and T. Suryawijaya, “Algoritma Resnet152V2 Dalam Melakukan Klasifikasi Penyakit Pada Daun Tanaman Tomat,” J. Comput. Sci. Technol., vol. 3, no. 2, pp. 37–42, 2023, doi: 10.54840/jcstech.v3i2.192.
[10] M. Sholihin, M. R. Zamroni, and Burhanuddin, “Identifikasi Kesegaran Ikan Berdasarkan Citra Insang Dengan Metode Convolution Neural Network,” J. Tek. Inform. dan Sist. Informas, vol. 8, no. 3, pp. 1352–1360, 2021, doi: https://doi.org/10.35957/jatisi.v8i3.939.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 TeknoIS : Jurnal Ilmiah Teknologi Informasi dan Sains
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Register 
Focus and Scope
Editorial Team
Author Gudielines
Reviewer
Author Fees (APC)
Publication Ethics
Peer Review Process
Templates
