Implementasi Metode Convolutional Neural Network untuk Mendeteksi Penyakit Pada Citra Daun Tomat

Tomato (Lycopersicum esculentum Mill) is one of the leading commodities that has the potential to be a contributor to exports. One of the main causes of decreased production of tomato plants, namely the emergence of various diseases. Plants are said to be affected by disease if there are changes in all or part of the plant organs that cause disruption of daily physiological activities. This study will use deep learning methods and Convolutional Neural Network (CNN) algorithms to determine disease in tomato plants through leaves. The CNN training model will be carried out using the Python and carried out on the Google Colab platform, while the Android-based application development will use Android Studio. Tests have been carried out by implementing various test scenarios, namely testing with image sources from the gallery and image sources directly from the camera. The result is an application that is built quite reliably with an accuracy of testing on images from the gallery of 94% and 80% accuracy for testing using images taken directly from the camera.Tanaman tomat (Lycopersicum esculentum Mill) merupakan salah satu komoditas sayuran yang berpotensi multiguna dan menjadi penyumbang ekspor. Salah satu penyebab utama penurunan hasil produksi dari tanaman tomat, yaitu munculnya berbagai macam penyakit. Tanaman dikatakan terkena penyakit jika ada perubahan pada seluruh atau sebagian organ tanaman yang menyebabkan terganggunya kegiatan fisiologis sehari-hari. Penelitian ini akan menggunakan metode deep learning dan algoritma Convolutional Neural Network (CNN) untuk melakukan identifikasi penyakit pada tanaman tomat melalui daun. Pelatihan model CNN akan dilakukan menggunakan menggunakan bahasa pemograman Python dan dilakukan pada platform Google Colab, sedangkan pembangunan aplikasi berbasis android menggunkan Android Studio. Pengujian telah dilakukan dengan mengimplementasikan berbagai skenario uji, yaitu pengujian dengan sumber gambar dari galeri dan sumber gambar langsung dari kamera. Hasilnya adalah aplikasi yang dibangun cukup reliabel dengan akurasi uji pada gambar dari galeri sebesar 94% dan 80% akurasi untuk pengujian menggunakan gambar diambil langsung dari kamera