DEEP LEARNING UNTUK DIAGNOSTIK PENYAKIT DAUN JAGUNG SEBAGAI KONTRIBUSI TERHADAP PENCAPAIAN SDG 2

Serangan penyakit pada daun jagung merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas pertanian dan mengancam ketahanan pangan nasional. Proses identifikasi penyakit secara manual masih banyak dilakukan oleh petani melalui pengamatan visual yang membutuhkan waktu lama dan berpotensi menghasilkan diagnosis yang tidak akurat. Penelitian ini bertujuan mengembangkan sistem diagnostik otomatis berbasis Deep Learning untuk mengklasifikasikan penyakit daun jagung secara cepat dan tepat. Metode yang digunakan adalah Pre-Trained MobileNetV2 and Fine-Tuning Model, dengan memanfaatkan arsitektur yang efisien untuk pengenalan pola citra dan melakukan penyesuaian parameter agar sesuai dengan karakteristik data lokal. Dataset yang digunakan terdiri dari empat kelas, yaitu daun sehat, gray leaf spot, common rust, dan blight, yang diproses melalui teknik augmentasi citra serta pembagian data latih, validasi, dan uji. Model dilatih menggunakan algoritma optimisasi Adam dengan tingkat pembelajaran rendah dan fungsi kehilangan kategorikal. Hasil pengujian menunjukkan bahwa model mencapai tingkat akurasi sekitar 96 persen dalam mengklasifikasikan jenis penyakit daun jagung. Kesimpulan dari penelitian ini adalah bahwa penerapan Deep Learning dengan pendekatan transfer pengetahuan mampu memberikan hasil diagnosis yang akurat, mendukung deteksi dini penyakit tanaman, serta berkontribusi terhadap peningkatan produktivitas pertanian dan pencapaian Sustainable Development Goals poin ke-2, yaitu Zero Hunger.