Perbandingan Klasifikasi Daun Cabai dengan Metode CNN dan SVM Untuk Deteksi Penyakit

Abstrak

Tanaman cabai (Capsicum frutescens L.) merupakan salah satu komoditas hortikultura yang memiliki nilai ekonomi tinggi, namun produktivitasnya masih sering mengalami penurunan akibat serangan penyakit yang disebabkan oleh bakteri, jamur, dan virus. Proses identifikasi penyakit secara konvensional membutuhkan waktu serta keahlian khusus, sehingga diperlukan suatu sistem deteksi yang mampu memberikan hasil secara cepat dan akurat. Penelitian ini bertujuan mengembangkan sistem klasifikasi penyakit daun cabai sekaligus membandingkan kinerja metode Convolutional Neural Network (CNN) dan Support Vector Machine (SVM). Dataset yang digunakan berjumlah 2.000 citra yang terbagi ke dalam lima kelas, yaitu bakteri, jamur, virus, sehat, dan non-daun. Tahap prapemrosesan meliputi perubahan ukuran citra menjadi 160×160 piksel, normalisasi, augmentasi, pelabelan, serta pembagian data menjadi data latih, validasi, dan data uji. Pada metode SVM, proses klasifikasi diawali dengan ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG) dan Color Histogram, sedangkan CNN melakukan ekstraksi fitur secara otomatis melalui lapisan konvolusi. Sistem kemudian diimplementasikan dalam bentuk website berbasis Flask. Hasil menunjukkan bahwa metode CNN memiliki kinerja yang lebih baik dari pada metode SVM berdasarkan parameter accuracy, precision, recall, dan F-1 Score, Dengan hasil akurasi CNN 85% dan SVM 78%. Selain itu, sistem mampu membedakan citra daun cabai dan non-daun secara baik sehingga dapat dimanfaatkan sebagai media dalam deteksi penyakit daun cabai.