Klasifikasi penyakit Daun Tomat Berbasis Transfer Learning Menggunakan VGG16 dan ResNet50
DOI:
https://doi.org/10.61124/sinta.v3i4.365Keywords:
Convolutional Neural Network, transfer learning, VGG16, ResNet50, daun tomatAbstract
Penyakit pada daun tomat menjadi salah satu penyebab utama menurunnya hasil dan kualitas panen. Metode identifikasi penyakit yang masih mengandalkan pengamatan visual secara manual cenderung memakan waktu, sangat bergantung pada pengalaman petani, dan berpotensi menghasilkan diagnosis yang kurang akurat. Penelitian ini bertujuan membandingkan performa dua arsitektur Convolutional Neural Network (CNN), yaitu VGG16 dan ResNet50, dalam mengklasifikasikan penyakit daun tomat menggunakan pendekatan transfer learning. Dataset yang digunakan berjumlah 18.835 citra daun tomat yang terbagi ke dalam sepuluh kategori penyakit dan satu kategori daun sehat. Pembagian data menerapkan teknik stratified split dengan rasio 70:15:15 untuk data latihan, validasi, dan pengujian, serta menggunakan class weighting untuk mengatasi ketidakseimbangan jumlah data antarkategori. Evaluasi kinerja model dilakukan melalui metrik akurasi, precision, recall, F1-score, confusion matrix, serta analisis kurva akurasi dan loss. Hasil pengujian menunjukkan kedua model mampu mengklasifikasikan penyakit daun tomat dengan baik, namun ResNet50 unggul dengan akurasi 98%, sementara VGG16 mencapai 92%. ResNet50 juga menghasilkan nilai precision, recall, dan F1-score lebih tinggi pada sebagian besar kategori. Temuan ini menegaskan bahwa ResNet50 lebih efisien digunakan sebagai model klasifikasi penyakit daun tomat dan berpotensi mendukung pengembangan sistem deteksi dini penyakit tanaman berbasis smart farming.
References
C. S. Dengen and A. H. Muhammad, “Implementasi transfer learning resnet-50 dalam klasifikasi penyakit daun tomat berbasis cnn,” vol. 10, no. 4, pp. 3907–3914, 2025, doi: 10.29100/jipi.v10i4.7191.
M. A. Pradana, R. I. Maulana, R. S. Putra, and F. Tri, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network ( CNN ) VGG16,” vol. 4, no. 2, pp. 61–69, 2023, doi: 10.31284/j.kernel.2023.v4i2.6829.
P. Convolutional and N. Network, “Penerapan convolutional neural network (cnn) untuk klasifikasi penyakit daun tomat,” vol. 4221, pp. 58–67, 2025, doi: https://doi.org/10.52958/iftk.v21i2.11094.
S. Yoon, M. H. Lee, and D. S. Park, “Improving Accuracy of Tomato Plant Disease Diagnosis Based on Deep Learning With Explicit Control of Hidden Classes,” vol. 12, no. December, 2021, doi: 10.3389/fpls.2021.682230.
G. Mamatha and G. T. Raju, “Comparative Analysis of Deep Learning Models for Tomato Leaf Disease Classification : Insights and Opportunities,” vol. 11, no. 3, pp. 5396–5404, 2025, doi: 10.22399/ijcesen.3483.
M. Shoaib, B. Shah, S. Ei-sappagh, T. Hussain, and F. Ali, “An advanced deep learning models-based plant disease detection : A review of recent research,” no. March, pp. 1–22, 2023, doi: 10.3389/fpls.2023.1158933.
L. Putu, A. Sri, and P. A. Pratama, “DETEKSI OBJEK MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) PADA PENGOLAHAN CITRA DIGITAL OBJECT DETECTION USING CONVOLUTIONAL NEURAL NETWORK ( CNN ) IN,” vol. 4, no. 2, pp. 35–40, 2025, doi: 10.37637/komteks.v4i2.2594.
A. S. Mashuri and A. Sunyoto, “Klasifikasi Penyakit Pada Daun Cabai Menggunakan Arsitektur VGG16,” vol. 6, no. 2, pp. 296–304, 2024, doi: 10.33650/jeecom.v4i2.
M. A. Lata, M. Sultana, I. A. Badhan, M. J. Maria, and F. T. Nuha, “Deep transfer learning based disease detection and classification of tomato leaves - a comparative analysis,” vol. 23, no. 5, 2025, doi: 10.12928/TELKOMNIKA.v23i5.26887.
M. Iqbal, F. Rozi, N. O. Adiwijaya, and D. I. Swasono, “Identifikasi Kinerja Arsitektur Transfer Learning VGG16 , ResNet-50 , dan Inception-V3 Dalam Pengklasifikasian Citra Penyakit Daun Tomat Identification of VGG16 , ResNet-50 , and Inception-V3 Transfer Architecture Performance in Image Classification of To,” vol. 5, no. 2, pp. 145–154, 2023, doi: 10.30595/jrre.v5i2.18050.
A. Informatics, H. Noprisson, M. Buana, and A. Info, “Fine-Tuning Model Transfer Learning VGG16 Untuk Klasifikasi Citra Penyakit Tanaman Padi,” vol. 5, no. 3, pp. 244–249, 2022, doi: 10.30595/jrre.v5i2.18050.
U. K. C. Kupu-kupu, D. Ramayanti, S. D. Asri, and L. Lionie, “Implementasi Model Arsitektur VGG16 dan MobileNetV2,” vol. 5, no. 3, pp. 182–187, 2022, doi: 10.36085/jsai.v5i3.2864.
A. D. Krismawan, “Tomato leaf diseases classification using convolutional neural networks with transfer learning Resnet-50,” vol. 4, no. 2, 2024, doi: 10.22219/kinetik.v9i2.1939.
R. Sistem, “Penerapan Convolutional Neural Network pada Citra Rontgen Paru-Paru,” vol. 5, no. 10, pp. 747–759, 2021, doi: 10.29207/resti.v5i4.3153.
H. N. Orun, “Klasifikasi Penyakit Daun Tomat Menggunakan VGG Berbasis Website Classification of Tomato Leaf Diseases Using Web- Based VGG,” pp. 1306–1312, 2024, doi: 10.60126/maras.v2i3.367.
A. P. J and G. GOPAL, “Data for: Identification of Plant Leaf Diseases Using a 9-layer Deep Convolutional Neural Network,” 18 April, 2019. https://data.mendeley.com/datasets/tywbtsjrjv/1.
R. Soekarta, N. Nurdjan, A. Syah, T. Informatika, U. M. Sorong, and C. N. Network, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” vol. 8, no. 2, pp. 143–151, 2023, doi: 10.33506/insect.v8i2.2356.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jihan Rifanti, Varadilla.N.Attamimi, Farid.F.A.Buamona, Kevin.M.Marbun, Muhammad Rizki Setyawan
This work is licensed under a Creative Commons Attribution 4.0 International License.
