Implementasi CNN dan TensorFlow Lite untuk Deteksi Penyakit Daun Padi Berbasis Android

Abstract

Penyakit pada daun padi seperti Bacterial Leaf Blight, Brown Spot, dan Leaf Smut masih menjadi ancaman signifikan bagi produktivitas pertanian di Indonesia. Identifikasi konvensional yang mengandalkan observasi visual oleh petani maupun penyuluh bersifat subjektif, memerlukan waktu, dan kurang efisien, khususnya di wilayah terpencil. Menjawab tantangan tersebut, penelitian ini mengembangkan sistem deteksi penyakit daun padi berbasis Convolutional Neural Network (CNN) yang dioptimalkan melalui TensorFlow Lite dan diimplementasikan pada aplikasi Android. Pendekatan yang digunakan bersifat kuantitatif-eksperimental dengan tahapan utama meliputi pengumpulan serta pra-pemrosesan citra daun padi, pelatihan model CNN untuk tiga kelas penyakit, konversi model ke format .tflite, dan integrasi ke dalam aplikasi. Dataset bersumber dari platform Kaggle dengan total 4.684 citra yang dibagi secara proporsional untuk pelatihan, validasi, dan pengujian. Evaluasi kinerja dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan ketiga kelas penyakit dengan akurasi uji 99%. Implementasi pada Android memungkinkan pengguna mengunggah atau mengambil citra secara langsung untuk dianalisis offline dan real-time, dengan antarmuka yang ringkas dan mudah digunakan. Secara keseluruhan, sistem deteksi berbasis CNN dan TensorFlow Lite ini terbukti efektif untuk diagnosis penyakit daun padi serta berpotensi menjadi solusi portabel yang mendukung praktik pertanian presisi di lapangan.