SISTEM DETEKSI PENYAKIT TANAMAN PADI DAN REKOEMNDASI PUPUK MENGGUNAKAN METODE TRANSFER LEARNING DENGAN MODEL VGG19

RICE PLANT DISEASE DETECTION SYSTEM AND FERTILIZER RECOMMENDATION USING TRANSFER LEARNING METHOD WITH VGG19 MODEL

Penyakit tanaman padi adalah salah satu masalah terbesar dalam produktivitas pertanian global, terutama di negara-negara agraris seperti Indonesia. Untuk mengatasi masalah ini, penelitian ini menggunakan metode transfer learning dengan model VGG-19, salah satu arsitektur Convolutional Neural Network (CNN) yang paling diandalkan untuk klasifikasi gambar. Dengan menggunakan.  Metode transfer learning digunakan untuk melatih dataset gambar daun padi yang digunakan. Ini meningkatkan akurasi dan efektivitas proses pelatihan.  Metode ini mempercepat dan meningkatkan kinerja model dengan memanfaatkan bobot pra-latih dari dataset besar seperti ImageNet. Hasil penelitian menunjukkan bahwa sistem dengan model VGG-19 memiliki akurasi akhir sebesar 93% dan akurasi validasi sebesar 92%. Metode black-box juga digunakan untuk menguji sistem dari sudut pandang pengguna akhir dan melibatkan petani. Melalui deteksi cepat dan rekomendasi pengelolaan yang akurat. Penelitian ini tidak hanya membantu dalam penerapan kecerdasan buatan dalam pertanian, tetapi juga menawarkan solusi praktis untuk mengelola penyakit tanaman padi dengan lebih baik.

Rice plant diseases are one of the biggest problems in global agricultural productivity, especially in agrarian countries like Indonesia. To solve this problem, this study uses transfer learning method with VGG-19 model, one of the most reliable Convolutional Neural Network (CNN) architectures for image classification. By using. The transfer learning method is used to train the rice leaf image dataset used. It improves the accuracy and effectiveness of the training process. This method accelerates and improves model performance by utilizing pre-trained weights from large datasets such as ImageNet. The results show that the system with the VGG-19 model has a final accuracy of 93% and a validation accuracy of 92%. The black-box method was also used to test the system from the end user's point of view to evaluate. Through rapid detection and accurate management recommendations. This research not only helps in the application of artificial intelligence in agriculture, but also offers practical solutions to better manage rice plant diseases.