Identifikasi Penyakit Daun Kopi Menggunakan Convolutional Neural Network (CNN) Berbasis Citra RGB

Abstract

Tanaman kopi merupakan komoditas perkebunan strategis yang menopang perekonomian nasional dan menjadi pilar kesejahteraan petani di Indonesia. Kendati demikian, produktivitas tanaman kopi Arabika kerap terancam oleh serangan penyakit pada organ daun, seperti penyakit karat daun (Coffee Leaf Rust) yang disebabkan oleh jamur Hemileia vastatrix serta hama pengorok daun (Coffee Leaf Miner) yang diakibatkan oleh larva Leucoptera coffeella. Deteksi dini konvensional yang mengandalkan inspeksi mata telanjang memiliki kelemahan karena bersifat subjektif, rentan salah diagnosis, dan lambat dalam penanganan. Oleh sebab itu, pemanfaatan teknologi computer vision berbasis Deep Learning dengan metode Convolutional Neural Network (CNN) diusulkan sebagai solusi alternatif untuk mengidentifikasi penyakit daun kopi secara cepat, obyektif, dan akurat. Penelitian eksperimental komputasi ini memanfaatkan total dataset sebanyak 1.200 citra digital berformat JPEG. Pemerolehan data dilakukan melalui kombinasi data primer (survei lapangan langsung menggunakan teknik sampling spasial di perkebunan kopi Rakyat Desa Pace, Kecamatan Silo, Kabupaten Jember dengan elevasi lahan sebesar 414,72 mdpl) dan data sekunder yang diunduh dari platform Kaggle. Dataset tersebut didistribusikan secara berimbang ke dalam tiga kategori label kelas, yakni Daun Sehat (400 citra), Leaf Rust (400 citra), dan Leaf Miner (400 citra). Seluruh data dipisahkan dengan rasio 80% untuk data pelatihan (training) sebanyak 960 citra dan 20% untuk data pengujian (testing) sebanyak 240 citra. Guna mengevaluasi performa model secara komprehensif, pengujian dibagi menjadi dua skenario perlakuan, yaitu Skenario A (tanpa intervensi augmentasi data) dan Skenario B (menerapkan teknik augmentasi data on-the-fly berupa rotasi, flip, dan zoom, namun tanpa rekayasa kecerahan/brightness). Hasil analisis pada skenario Tanpa Augmentasi mengonfirmasi terjadinya gejala binerisasi fitur yang mengarah pada bias overfitting ekstrem. Meskipun mencatatkan train accuracy tertinggi sebesar 99,27% dengan train loss 0,0161, nilai testing accuracy tertahan pada angka 94,58% dengan kurva testing loss yang membengkak naik di akhir epoch menuju angka 0,5085. Kesenjangan (gap) sebesar 4,69% ini membuktikan bahwa tanpa variasi visual objek, arsitektur model mengalami disorientasi akibat menghafal detail noise kecil pada data latih secara berlebihan.