Artikel ini membahas penerapan Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk mengklasifikasikan penyakit batang jagung (corn stalk disease) sebagai upaya mendukung pertanian berkelanjutan. Penyakit batang jagung seperti Erwinia carotovora, Pythium, Stenocarpella, dan Gibberella dapat menurunkan produktivitas dan menyebabkan kerugian ekonomi yang signifikan. Penelitian ini menggunakan dataset berisi 750 citra batang jagung yang terbagi ke dalam lima kelas (sehat dan empat jenis penyakit), dengan tujuan membangun sistem klasifikasi otomatis yang lebih cepat dan akurat dibandingkan metode observasi visual manual.
Penelitian dilakukan dengan membandingkan dua ruang warna, yaitu RGB dan HSV, serta dua skenario pelatihan, yaitu tanpa dan dengan data augmentation. Teknik augmentasi yang digunakan meliputi rotasi, flip, dan penyesuaian kecerahan untuk meningkatkan variasi data dan mengurangi overfitting. Model ResNet-50 dilatih menggunakan pembagian data 80% untuk pelatihan dan 20% untuk pengujian, dengan evaluasi kinerja berdasarkan metrik akurasi, presisi, recall, dan F1-score. Penggunaan ruang warna HSV dinilai lebih adaptif terhadap variasi pencahayaan, sementara RGB lebih sederhana dan umum digunakan dalam pemrosesan citra digital.
Hasil penelitian menunjukkan bahwa data augmentation secara signifikan meningkatkan performa model pada kedua ruang warna. Akurasi tertinggi diperoleh pada citra RGB dengan augmentasi, mencapai 92,76%, sedangkan pada ruang warna HSV dengan augmentasi mencapai 90,13%. Tanpa augmentasi, HSV menunjukkan performa yang lebih baik dibandingkan RGB. Temuan ini menegaskan bahwa kombinasi pemilihan ruang warna yang tepat dan data augmentation berperan penting dalam meningkatkan akurasi klasifikasi penyakit tanaman. Secara keseluruhan, model ResNet-50 dengan citra RGB beraugmentasi memberikan kinerja terbaik dan berpotensi diterapkan sebagai sistem pendukung deteksi dini penyakit batang jagung di lapangan.
