Implementasi Algoritma Machine Learning untuk Deteksi Penyakit Daun Tebu: Analisis Perbandingan Kinerja
Abstract
Tebu merupakan komoditas perkebunan penting yang menjadi bahan baku utama industri gula nasional. Produktivitas tebu sangat dipengaruhi oleh serangan penyakit daun seperti karat daun, bercak daun, dan mozaik tebu, yang dapat menurunkan hasil panen secara signifikan. Identifikasi penyakit secara manual oleh tenaga ahli masih menjadi kendala karena sifatnya subjektif, memerlukan waktu lama, serta sulit dilakukan pada area perkebunan yang luas. Untuk mengatasi hal tersebut, diperlukan teknologi seperti algoritma Machine Learning (ML). Tujuan penelitian ini bertujuan membandingkan kinerja dan kompleksitas komputasi beberapa algoritma klasifikasi citra digital dalam mendeteksi penyakit daun tebu secara otomatis. Metode penelitian meliputi pengumpulan dataset citra daun tebu, pra-pemrosesan, ekstraksi citra, serta penerapan beberapa algoritma klasifikasi seperti Naive Bayes (NB), Support Vector Machine (SVM), k-Nearest Neighbor (KNN), Random Forest (RF), dan Neural Network (NN). Setiap algoritma dievaluasi berdasarkan akurasi, precision, recall, serta kompleksitas komputasi yang diukur melalui waktu komputasi (train). Hasil pengujian kinerja menunjukkan bahwa algoritma NN memberikan akurasi tertinggi, sedangkan algoritma Random Forest (RF) lebih efisien secara komputasi. Temuan ini akan memberikan kontribusi penting dalam pengembangan sistem deteksi penyakit daun tebu berbasis citra digital yang akurat dan efisien, sebagai bagian dari penerapan pertanian presisi (precision agriculture) di Indonesia.
References
Akkaya, E., & Turgay, S. (2024). Unveiling the Power: A Comparative Analysis of Data Mining Tools through Decision Tree Classification on the Bank Marketing Dataset. Wseas Transactions on Computers, 23, 95–105. https://doi.org/10.37394/23205.2024.23.9
Chen, J.-L., Sun, S.-R., Wang, Z.-Q., Fu, H.-Y., Xu, H.-Y., Chang, H.-L., Gao, S.-J., & Wang, Q.-N. (2025). Identification of Causal Agents of Rust of Saccharum spp. and Assessment of Resistance to Brown Rust in Erianthus arundinaceus Clones and Their Offspring. In Plants (Vol. 14, Issue 8). https://doi.org/10.3390/plants14081221
Hidayah, N. (2020). Peluang Pengembangan Pengendalian Penyakit Luka Api pada Tebu di Indonesia. Buletin Tanaman Tembakau, Serat & Minyak Industri, 12(2), 94–108. https://doi.org/10.21082/btsm.v12n2.2020.94-108
Huang, J., Khan, M. T., Perecin, D., Coelho, S. T., & Zhang, M. (2020). Sugarcane for bioethanol production: Potential of bagasse in Chinese perspective. Renewable and Sustainable Energy Reviews, 133, 110296. https://doi.org/https://doi.org/10.1016/j.rser.2020.110296
Kumar, M., Upadhyay, S. N., & Mishra, P. K. (2022). Pyrolysis of Sugarcane (Saccharum officinarum L.) Leaves and Characterization of Products. ACS Omega, 7(32), 28052–28064. https://doi.org/10.1021/acsomega.2c02076
Li, X., Li, X., Zhang, M., Dong, Q., Zhang, G., Wang, Z., & Wei, P. (2024). SugarcaneGAN: A novel dataset generating approach for sugarcane leaf diseases based on lightweight hybrid CNN-Transformer network. Computers and Electronics in Agriculture, 219, 108762. https://doi.org/https://doi.org/10.1016/j.compag.2024.108762
Srivastava, S., Kumar, P., Mohd, N., Singh, A., & Gill, F. S. (2020). A Novel Deep Learning Framework Approach for Sugarcane Disease Detection. SN Computer Science, 1(2), 87. https://doi.org/10.1007/s42979-020-0094-9
Thite, S., Suryawanshi, Y., Patil, K., & Chumchu, P. (2024). Sugarcane leaf dataset: A dataset for disease detection and classification for machine learning applications. Data in Brief, 53, 110268. https://doi.org/https://doi.org/10.1016/j.dib.2024.110268
