Model Identifikasi Penyakit Tanaman Jagung Berbasis Citra Daun Menggunakan ConvNeXt dan MaxViT

Abstract

Identifikasi penyakit daun jagung secara cepat dan akurat sangat penting untuk mengurangi risiko penurunan hasil panen akibat keterlambatan penanganan penyakit tanaman. Penelitian ini bertujuan untuk mengembangkan serta membandingkan performa arsitektur deep learning ConvNeXt dan MaxViT dalam klasifikasi penyakit daun jagung berbasis citra digital. Dataset penelitian terdiri atas 7.270 citra daun jagung yang terbagi ke dalam lima kelas, yaitu Common Rust, Northern Corn Leaf Blight, Gray Leaf Spot, Pest Damage, dan Healthy. Sebanyak 2.035 citra merupakan data primer yang dikumpulkan langsung dari kebun jagung di Kelurahan Cilangkap, Kota Depok, Jawa Barat, sedangkan 5.235 citra lainnya merupakan data sekunder yang bersumber dari Kaggle Maize Diseases Dataset dan Plant Doc dataset. Tahapan penelitian meliputi pengumpulan data, preprocessing data, augmentasi citra, pelatihan model menggunakan pendekatan transfer learning, serta evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score dengan metode macro average. Penelitian menggunakan beberapa skenario data splitting dan kombinasi optimizer Adam serta AdamW. Hasil penelitian menunjukkan bahwa model ConvNeXt-Tiny memberikan performa terbaik dibandingkan MaxViT-Tiny. Model terbaik diperoleh pada ConvNeXt-Tiny dengan optimizer AdamW dan skenario data split 90:5:5 yang menghasilkan nilai accuracy sebesar 96,98% serta nilai precision, recall, dan F1-score sebesar 97%. Hasil ini menunjukkan bahwa model memiliki keandalan yang sangat baik dalam mendeteksi dan membedakan kelima kelas kondisi daun secara tepat. Model terbaik selanjutnya diimplementasikan ke dalam aplikasi berbasis web menggunakan Vue JS dan FastAPI sehingga mampu melakukan identifikasi penyakit daun jagung secara praktis melalui proses unggah citra dan visualisasi Grad-CAM guna mencegah keterlambatan penanganan penyakit dan risiko gagal panen.