Implementasi Computer Vision Dalam Mendeteksi Penyakit Pada Tanaman Cabai dan Tomat Menggunakan Metode CNN

Computer Vision banyak diterapkan dalam bidang pertanian untuk mendeteksi penyakit tanaman secara otomatis. Penelitian ini mengembangkan aplikasi berbasis web menggunakan metode Convolutional Neural Networks (CNN) untuk mendeteksi penyakit pada tanaman cabai dan tomat. Aplikasi ini dibangun dengan HTML, CSS, Python, JavaScript, dan Flask, memungkinkan pengguna mengunggah gambar tanaman untuk diklasifikasikan. Model CNN mencapai akurasi pelatihan 91% dan akurasi validasi 90%. Saat diuji menggunakan dataset terpisah, model memperoleh akurasi tinggi. Namun, setelah diterapkan dalam aplikasi untuk deteksi nyata, akurasi menurun menjadi 75%, yang bisa disebabkan oleh kondisi pencahayaan, kualitas gambar, dan perbedaan dataset. Kesalahan klasifikasi terutama terjadi pada kelas Cabai Leaf Curl (50%) dan Tomat Normal (40%). Analisis kinerja menggunakan precision, recall, dan F1-score menunjukkan bahwa Tomat Early Blight memiliki recall tertinggi (1.000), sedangkan Tomat Normal memiliki precision tertinggi (0.9500). F1 score terendah (0.8516) terdapat pada Cabai Normal, menunjukkan tantangan dalam klasifikasi. Analisis heatmap mengungkapkan bahwa model berfokus pada fitur gambar tertentu tetapi tidak selalu pada area penyakit. Peningkatan kinerja melalui optimasi preprocessing data, augmentasi gambar, dan arsitektur model yang lebih kompleks diperlukan untuk meningkatkan akurasi serta mengurangi kesalahan klasifikasi.