Klasifikasi Penyakit Daun Cabai Menggunakan Vision Transformer
DOI:
https://doi.org/10.33005/santika.v5i1.751Keywords:
daun tanaman, Klasifikasi Citra, Penyakit daun cabai, Vision Transformer, CNNAbstract
Deteksi dini penyakit daun cabai merupakan langkah penting dalam menjaga produktivitas pertanian dan mendukung ketahanan pangan, mengingat potensi kerugian hasil panen yang besar akibat infeksi. Metode konvensional sering kali bersifat subjektif, memakan waktu, dan tidak efektif untuk pengawasan dalam skala besar. Convolutional Neural Networks (CNN) telah banyak digunakan dalam tugas klasifikasi penyakit tanaman, namun memiliki keterbatasan dalam menangkap dependensi spasial jarak jauh dan kemampuan generalisasi pada kondisi lingkungan yang bervariasi. Penelitian ini mengusulkan penerapan Vision Transformer (ViT) sebagai pendekatan alternatif untuk klasifikasi penyakit daun cabai. ViT memanfaatkan mekanisme self-attention yang memungkinkan pemodelan informasi global secara lebih efektif dibandingkan CNN. Dalam penelitian ini, ViT digunakan untuk mengklasifikasikan beberapa jenis penyakit daun cabai seperti leaf curl, leaf spot, whitefly, dan yellowish. Hasil eksperimen menunjukkan bahwa ViT mampu memberikan akurasi tinggi, dengan persentase presisi mencapai 95,97%, dan performa yang stabil dalam mendeteksi berbagai jenis penyakit, menjadikannya solusi yang menjanjikan untuk mendukung sistem pertanian presisi dan mengurangi kerugian akibat penyakit tanaman.
References
A. Dosovitskiy et al., “An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale,” arXiv:2010.11929, 2020.
S. P. Mohanty, D. P. Hughes, and M. Salathé, “Using Deep Learning for Image-Based Plant Disease Detection,” Frontiers in Plant Science, 2016.
S. Khan et al., “Transformers in Vision: A Survey,” ACM Computing Surveys, 2022.
C. Tan et al., “A Survey on Deep Transfer Learning,” in ICANN, 2018.
K. He et al., “Deep Residual Learning for Image Recognition,” in CVPR, 2016.
F. L. Gaol, “Analisis Kinerja Hyperparameter Convolutional,” 208160010 - Fulltext, n.d.
I. Sanjaya, T. Lelita, and I. Yustiana, “Application of Vision Transformer for Identifying Indonesian Herbal Plants Based on Visual Images,” Jurnal Media Informatika Budidarma, vol. 4, no. 2, n.d., doi: https://doi.org/10.37676/jmcs.v4i2.
A. Asrafil et al., “Klasifikasi Penyakit Tanaman Apel dari Citra Daun dengan Convolutional Neural Network,” n.d.
A. J. Bastari and A. Cherid, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Convolutional Neural Network dan Implementasi Model H5 pada Aplikasi Desktop,” SIMKOM, vol. 8, no. 2, pp. 199–207, 2023, doi: https://doi.org/10.51717/simkom.v8i2.194
H. Cipta Di Lindungi Undang-Undang, “Program Studi Informatika Fakultas Teknik Universitas Medan Area,” 2024.
E. Nahak, R. P. Putra, and F. Marisa, “Klasifikasi Penyakit pada Tanaman Apel Melalui Citra Daun Menggunakan Metode Multiclass Support Vector Machine,” vol. 11, no. 3, pp. 401–408, 2024. [Online]. Available: http://jurnal.mdp.ac.id
H. Nurdiana, N. Lestari, and A. Sobri, “Klasifikasi Penyakit Tanaman Padi Berdasarkan Kondisi Daun Menggunakan Compact Convolutional Transformers,” vol. 14, no. 1, 2025, doi: https://doi.org/10.34010/komputa.v14i1.
A. Putra, “Klasifikasi Penyakit Daun Cabai Dengan Metode CNN untuk Deteksi Awal,” Jurnal Profesi Insinyur Universitas Lampung, vol. 6, no. 1, 2025, doi: https://doi.org/10.23960/jpi.v6n1.147.
R. H. Putra, H. M. Ridwan, I. Abiansyah, and T. Agustin, “Klasifikasi Daun Tomat Sehat dan Terserang Penyakit Menggunakan Metode Convolutional Neural Network (CNN),” Seminar Nasional AMIKOM Surakarta (SEMNASA), 2024. [Online]. Available: https://www.kaggle.com/datasets/kaustubhb999/tomatoleaf
A. Setiawan et al., “Klasifikasi Penyakit Tanaman Mangga Menggunakan Algoritma CNN pada Citra Daun,” in Mekatronika dan Ilmu Komputer, Universitas Nusa Putra, 2022.
M. Setiono, “Klasifikasi Penyakit Antraknosa Citra Cabai Rawit dengan Metode Convolutional Neural Network (CNN),” vol. 11, no. 2, 2024.
