Klasifikasi Penyakit Pada Daun Padi Menggunakan Model Hybrid CNN-SVM
DOI:
https://doi.org/10.32664/smatika.v15i02.1548Keywords:
CNN, Hybrid Model, Image Classification, Rice Disease, SVMAbstract
Produksi padi di Indonesia menghadapi tantangan serius akibat berkurangnya luas lahan pertanian dan serangan penyakit seperti Bacterial Leaf Blight, Blast, dan Brown Spot, yang dapat menurunkan hasil panen hingga 80% dan mengancam ketahanan pangan nasional. Penyakit tersebut tidak hanya merusak stabilitas produksi tetapi juga menyebabkan kerugian yang signifikan bagi petani. Identifikasi dini penting untuk mencegah kerugian, namun keterbatasan pengetahuan petani sering menyebabkan kesalahan diagnosis dan penanganan. Untuk mengatasi masalah ini, penelitian ini mengusulkan pengembangan model klasifikasi penyakit daun padi berbasis hybrid Convolutional Neural Network (CNN) dan Support Vector Machine (SVM), yang dirancang menggunakan metode CRISP-DM (Cross-Industry Standard Process for Data Mining) dari tahap business understanding hingga evaluation. Dengan dataset berisi 11.790 gambar daun padi dari sembilan kelas penyakit.CNN menggunakan arsitektur VGG-16 yang dipakai untuk ekstraksi fitur, sedangkan SVM menangani klasifikasi multi-kelas dengan metode one-vs-rest. Hasil evaluasi menunjukkan akurasi model sebesar 95%, dengan precision, recall, dan F1-score yang tinggi di sebagian besar kelas penyakit. Hasil tersebut menunjukkan potensi yang signifikan dan diharapkan dapat membantu petani untuk melakukan deteksi dini penyakit pada padi.
References
[1] N. A. Mohidem, N. Hashim, R. Shamsudin, and H. C. Man, "Rice for food security: Revisiting its production, diversity, rice milling process and nutrient content," Agriculture (Switzerland), vol. 12, no. 6, p. 741, 2022, doi: 10.3390/agriculture12060741.
[2] Badan Pusat Statistik, "Luas Panen Padi Tahun 2024 Diperkirakan Sebesar 10,05 Juta Hektare dengan Produksi Padi Sekitar 52,66 Juta Ton Gabah Kering Giling (GKG)," 15 Okt. 2024. [Online]. Available: https://www.bps.go.id/id/pressrelease/2024/10/15/2376/luas-panen-padi-tahun-2024-diperkirakan-sebesar-10-05-juta-hektare-dengan-produksi-padi-sekitar-52-66-juta-ton-gabah-kering-giling--gkg--.html. [Access: 10 Nov. 2024].
[3] M. Aria, M. R. A. Muhammad, Y. A. Yufis, and V. R. S. N. Vinna, "Disease detection on rice leaves through deep learning with InceptionV3 method," Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), vol. 7, no. 5, pp. 1147–1154, 2023, doi: 10.29207/resti.v7i5.4344.
[4] L. Shanti, G. L. Devi, G. Kumar, and H. Shashidhar, "Molecular Marker-Assisted Selection: A Tool for Insulating Parental Lines of Hybrid Rice Against Bacterial Leaf Blight," International Journal of Plant Pathology, vol. 1, pp. 114–123, Mar. 2010, doi: 10.3923/ijpp.2010.114.123.
[5] U. N. Oktaviana, R. Hendrawan, A. D. K. Annas, and G. W. Wicaksono, "Klasifikasi penyakit padi berdasarkan citra daun menggunakan model terlatih ResNet101," Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), vol. 5, no. 6, pp. 1216–1222, 2021, doi: 10.29207/resti.v5i6.3607.
[6] A. Jinan and B. H. Hayadi, "Klasifikasi penyakit tanaman padi menggunakan metode convolutional neural network melalui citra daun (multilayer perceptron)," Journal of Computer and Engineering Science, vol. 1, no. 2, 2022.
[7] S. Zahrah, R. Saptono, and E. Suryani, "Identifikasi gejala penyakit padi menggunakan operasi morfologi citra," dalam Seminar Nasional Ilmu Komputer, 2016.
[8] S. Sheila, I. Permata Sari, A. . Bagas Saputra, M. Kharil Anwar, and F. Restu Pujianto, “Detection of Diseases in Rice Leaves Based on Image Processing Using the Convolutional Neural Network (CNN) Method”, JURNAL MULTIMEDIA NETWORKING INFORMATICS, vol. 9, no. 1, pp. 27–34, Apr. 2023.
[9] Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.
[10] M. Z. Alom, T. M. Taha, C. Yakopcic, S. Westberg, P. Sidike, M. S. Nasrin, M. Hasan, B. C. Van Essen, A. A. S. Awwal, and V. K. Asari, "A state-of-the-art survey on deep learning theory and architectures," Electronics, vol. 8, no. 3, p. 292, 2019, doi: 10.3390/electronics8030292.
[11]S. Yuliany, Aradea, and A. Nur Rachman, "Implementasi deep learning pada sistem klasifikasi hama tanaman padi menggunakan metode convolutional neural network (CNN)," Jurnal Buana Informatika, vol. 13, no. 1, 2022.
[12]S. V. Darshan, "Automated diagnosis and cataloguing of foliar disease in apple trees using ensemble of deep neural networks," International Research Journal of Engineering and Technology, vol. 7, no. 5, pp. 4230–4237, 2020.
[13]M. Alkhaleefah and C. -C. Wu, "A Hybrid CNN and RBF-Based SVM Approach for Breast Cancer Classification in Mammograms," 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Miyazaki, Japan, 2018, pp. 894-899, doi: 10.1109/SMC.2018.00159.
[14]U. Syaripudin, D. Suparman, Y. A. Gerhana, A. P. Rahayu, M. Mintarsih, and R. Alawiyah, "Chatbot for signaling Quranic verses science using support vector machine algorithm" Jurnal Online Informatika, vol. 6, no. 2, p. 225, 2021, doi: 10.15575/join.v6i2.827.
[15]M. I. Fikri, T. S. Sabrila, Y. Azhar, and U. M. Malang, "Perbandingan metode Naïve Bayes dan Support Vector Machine pada analisis sentimen Twitter," SMATIKA: STIKI Informatika Jurnal, vol. 10, no. 2, pp. 71–76, 2020, doi: 10.32664/smatika.v10i02.455.
[16]R. A. Saputra, S. Wasyianti, A. Supriyatna, and D. F. Saefudin, "Penerapan algoritma convolutional neural network dan arsitektur MobileNet pada aplikasi deteksi penyakit daun padi," JURNAL SWABUMI, vol. 9, no. 2, pp. 185–189, 2021, doi: 10.31294/swabumi.v9i2.11678.
[17]R. Suhendra, I. Juliwardi, and Sanusi, "Identifikasi dan klasifikasi penyakit daun jagung menggunakan support vector machine," Jurnal Teknologi Informasi, vol. 1, no. 1, pp. 29–35, 2022, doi: 10.35308/.v1i1.5520.
[18]A. A. Mujiono, Kartini, and E. Y. Puspaningrum, "Implementasi model hybrid CNN-SVM pada klasifikasi kondisi kesegaran daging ayam," Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 1, 2024, doi: 10.36040/jati.v8i1.8855.
[19][A. D. Putro and H. Tantyoko, "Hybrid algoritma VGG16-Net dengan Support Vector Machine untuk klasifikasi jenis buah dan sayuran," Jurnal Teknologi Informasi dan Multimedia (JTIM), vol. 5, no. 2, pp. 56–65, Jul. 2023, doi: 10.35746/jtim.v5i2.335.
[20]C. Schröer, F. Kruse, and J. M. Gómez, "A systematic literature review on applying CRISP-DM process model," Procedia Computer Science, vol. 181, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.
[21]Y. Itadori, "Rice leaf dataset: Detecting rice leaf diseases," 2023. [Online]. Available: https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection. [Access: 10 Sep. 2024].
Downloads
Published
Issue
Section
License
Copyright (c) 2025 SMATIKA JURNAL
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
The writer agreed that the article copyright by Smatika journal and the writer has the right to disseminate the paper published without permission in advance.
