Sistem Informasi Ketahanan Pangan Berbasis Web dengan AI Computer Vision untuk Mendeteksi Dini Penyakit Tanaman Padi
Keywords:
Ketahanan Pangan, Computer Vision, MobileNetV3-Small, Transfer Learning, Penyakit PadiAbstract
Tanaman padi (Oryza sativa L.) merupakan komoditas strategis dalam ketahanan pangan nasional, namun
produktivitasnya sering menurun akibat serangan penyakit seperti Bacterial Blight, Brown Spot, Leaf Blast, dan
Tungro, sementara identifikasi penyakit secara konvensional masih bergantung pada pengamatan visual yang
subjektif, memerlukan keahlian khusus, dan waktu yang relatif lama. Penelitian ini bertujuan mengembangkan sistem
informasi ketahanan pangan berbasis web yang memanfaatkan teknologi Artificial Intelligence (AI) Computer Vision
untuk mendeteksi penyakit dini tanaman padi melalui citra digital secara cepat dan akurat. Penelitian dilakukan
menggunakan dataset 10.107 citra daun padi yang terdiri dari lima kelas, yaitu Bacterial Blight, Brown Spot, Healthy,
Leaf Blast, dan Tungro, dengan 10.092 citra sebagai data latih dan 15 citra sebagai data validasi. Model klasifikasi
dibangun menggunakan metode Transfer Learning dengan arsitektur MobileNetV3-Small, dilatih pada Google Colab
menggunakan Adam Optimizer dengan learning rate 0,001 selama lima epoch, lalu diimplementasikan ke aplikasi
web berbasis Streamlit yang dilengkapi knowledge base mitigasi otomatis. Hasil pengujian pada citra baru di luar
dataset menunjukkan model mampu mengidentifikasi Bacterial Blight dengan tingkat kepercayaan 97,93% dan
Tungro 100,00%, membuktikan kemampuan generalisasi model yang sangat baik. Sistem yang dihasilkan
memungkinkan pengguna mengunggah citra daun padi dan memperoleh hasil diagnosis beserta rekomendasi
penanganan secara otomatis. Penelitian ini menyimpulkan bahwa integrasi AI Computer Vision dengan sistem
informasi berbasis web mampu menjadi solusi efektif, cepat, ringan, dan mudah diakses untuk mendukung deteksi
dini penyakit tanaman padi, sekaligus berkontribusi terhadap penguatan ketahanan pangan nasional Indonesia.
References
Badan Pusat Statistik Indonesia. (2025a). Jumlah Penduduk pertengahan tahun 2025. 6 juni 2026.
https://www.bps.go.id/id/statistics-table/2/MTk3NSMy/jumlah-penduduk-pertengahantahun.html
Badan Pusat Statistik Indonesia. (2025b). Luas Panen dan Produksi Padi di Indonesia 2025. 2
Februari 2026. https://www.bps.go.id/id/pressrelease/2026/02/02/2545/luas-panen-padi-
235
pada-tahun-2025-mencapai-sekitar-11-32-juta-hektare-dengan-produksi-padi-sebanyak-60-
21-juta-ton-gabah-kering-giling--gkg-.html
Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant
disease detection. Frontiers in Plant Science, 7(September), 1–10.
https://doi.org/10.3389/fpls.2016.01419
Muzaki, A. W., Sudamto, B. A., & Daniati, E. (2025). Sistem Identifikasi Corak Penyakit pada
daun Padi dan monitoring Deteksi Dini untuk Lahan Sehat Menggunakan Metode (CNN).
Inotek, 9, 2230.
Nugroho, H., Chew, J. X., Eswaran, S., & Tay, F. S. (2024). Resource-optimized cnns for realtime rice disease detection with ARM cortex-M microprocessors. Plant Methods, 20(1).
https://doi.org/10.1186/s13007-024-01280-6
Pai, P., Amutha, S., Patil, S., Shobha, T., Basthikodi, M., Shafeeq, B. M. A., & Gurpur, A. P.
(2025). Deep learning-based automatic diagnosis of rice leaf diseases using ensemble CNN
models. Scientific Reports, 15(1), 1–13. https://doi.org/10.1038/s41598-025-13079-z
Roseno, M. T., Oktarina, S., Nearti, Y., Syaputra, H., & Jayanti, N. (2024). Comparing CNN
Models for Rice Disease Detection: ResNet50, VGG16, and MobileNetV3-Small. Journal of
Information Systems and Informatics, 6(3), 2099–2109.
https://doi.org/10.51519/journalisi.v6i3.865
Suganda, T., Yulia, E., Widiantini, F., & Hersanti. (2016). Intensitas penyakit blas (Pyricularia
oryzae Cav .) pada padi varietas Ciherang di lokasi endemik dan pengaruhnya terhadap
kehilangan hasil [Disease intensity of blast disease (Pyricularia oryzae Cav.) of Ciherang rice
variety at the endemic location and. Jurnal Agrikultura, 27(3), 154–159.
Warbhe, M. K., Bore, J. J., & Chaudari, S. N. (2025). A Deep Learning Based System to Predict
the Plant Disease Using Streamlit. 2025 4th International Conference on Sentiment Analysis
and Deep Learning (ICSADL), 1744–1751.
https://doi.org/10.1109/ICSADL65848.2025.10933389
Yanti, Y., Habazar, T., & Resti, Z. (2017). Formulasi Padat Rhizobakteria Indigenus Bacillus
Thuringiensis Ts2 Dan Waktu Penyimpanan Untuk Mengendalikan Penyakit Pustul Bakteri
Xanthomonas Axonopodis Pv. Glycines. Jurnal Hama Dan Penyakit Tumbuhan Tropika,
17(1), 9. https://doi.org/10.23960/j.hptt.1179-18
