Implementasi Algoritma Machine Learning untuk Deteksi Penyakit Daun Tebu: Analisis Perbandingan Kinerja

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.