ABSTRAK

Penyakit pada daun padi merupakan salah satu faktor utama yang dapat
menurunkan produktivitas pertanian di Indonesia. Deteksi penyakit secara manual
memiliki keterbatasan dalam hal kecepatan dan akurasi, terutama dalam jumlah
tanaman yang diperiksa banyak. Maka, diperlukan metode yang lebih efisien dalam
mengidentifikasi jenis penyakit daun padi. Convolutional Neural Network (CNN)
dikenal efektif dalam klasifikasi gambar dan memiliki model arsitektur yang
banyak, sehingga digunakan dalam penelitian ini untuk membandingkan tiga
arsitektur CNN, yaitu VGG-16, DenseNet-201, dan ResNet-152v2 dalam
mengklasifikasikan jenis penyakit daun padi. Penelitian ini menggunakan dataset
citra daun padi dengan empat kelas: brown spot, leaf brown, hawar, dan daun sehat.
Dataset ini dibagi menjadi data training, validation, dan testing dan setiap arsitektur
dilatih menggunakan 10 epoch untuk membandingkan akurasinya. Hasil
menunjukan bahwa DenseNet-201 memiliki nilai akurasi tertinggi sebesar 92%,
diikuti oleh VGG-16 dengan 90%, dan ResNet-152v2 dengan 70%. Penelitian ini
menunjukan bahwa DenseNet-201 lebih efektif dalam mengklasifikasikan jenis
penyakit daun padi.