Sistem Deteksi Penyakit Daun Tanaman Jagung Menggunakan Algoritma Faster R-CNN = Corn Leaf Disease Detection System Using Faster R-CNN Algorithm

Produksi jagung global mencapai 612,5 juta ton, menempatkan jagung sebagai komoditas ketiga terbesar setelah padi dan gandum. Di Indonesia, jagung merupakan komoditas kedua setelah padi dan memainkan peran vital dalam ekonomi karena berbagai kegunaannya sebagai sumber makanan, bahan pakan, dan bahan dasar industri. Jagung (Zea Mays L) dikenal rentan terhadap berbagai penyakit yang sering menyerang daunnya, yang dapat terlihat jelas pada tanda-tanda gangguan. Penyakit ini dapat disebabkan oleh makroorganisme maupun mikroorganisme seperti cendawan, bakteri, dan virus, yang semuanya dapat menurunkan produksi dan menyebabkan kerugian ekonomi signifikan, bahkan potensi kegagalan panen jika tidak dikelola dengan baik. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit pada tanaman jagung menggunakan Faster R-CNN, sebuah algoritma deep learning yang efektif untuk pengenalan pola pada citra. Proses pelatihan model dilakukan selama 150 epoch, dengan evaluasi pada beberapa titik waktu yang berbeda, mengukur akurasi dan metrik kinerja lainnya. Awalnya, pada Epoch 10, model mencapai akurasi 80.53%, dengan hasil yang bervariasi pada setiap kelas penyakit daun. Pada Epoch 50, model mencapai akurasi tertinggi sebesar 84.93%, menunjukkan keseimbangan terbaik antara bias dan varians. Namun, pada Epoch 150, akurasi menurun menjadi 79.29%. Dengan sistem ini, diharapkan petani atau ahli pertanian dapat mengidentifikasi penyakit pada tanaman jagung secara akurat dan cepat, sehingga tindakan yang tepat dapat segera diambil untuk mencegah kerusakan lebih lanjut dan mengoptimalkan hasil panen. Penurunan bertahap dalam akurasi pada epoch yang lebih tinggi menunjukkan pentingnya menemukan keseimbangan yang tepat dalam proses pelatihan untuk menghindari overfitting, memastikan model tetap efektif dan dapat diandalkan dalam lingkungan nyata.