Implementation Of Convolutional Neural Network For Diagnosing Rice Plant Diseases Using Colab Python Integrated With Streamlit
Article Sidebar
Published:
Feb 28, 2025
Keywords:
Agriculture, Convolutional Neural Network, Google Colab, Python, Streamlit
Section
Computer Science
Statistics Article
Article View : 5 Times
Main Article Content
Abstract
Agriculture, particularly rice cultivation, is crucial for Indonesia's food security; however, production is often hindered by pests and diseases. With over 30 million hectares of rice fields and millions of farmers relying on this staple crop, the impact of these challenges is significant, threatening both livelihoods and national food supply. This study aims to develop a rice plant disease diagnosis system using Convolutional Neural Network (CNN) methods implemented in a Streamlit-based application. Data were obtained from an open dataset on Kaggle, which includes images of healthy and infected rice leaves. The Streamlit application facilitates users in uploading images and receiving real-time diagnoses. Results show that the CNN model achieved an accuracy of 96.03% in identifying diseases, demonstrating a strong ability to recognize patterns in leaf images. This system offers an efficient solution to help farmers quickly and accurately detect rice diseases, contributing to increased agricultural productivity and food security in Indonesia
Downloads
Download data is not yet available.
Article Details
How to Cite
Habib, A. . and Yahya, H. . (2025) “Implementation Of Convolutional Neural Network For Diagnosing Rice Plant Diseases Using Colab Python Integrated With Streamlit”, Jurnal Mantik, 8(4), pp. 1733-1742. doi: 10.35335/mantik.v8i4.6003.
References
Aryanto, R., Alfan Rosid, M., & Busono, S. (2023). Penerapan Deep Learning untuk Pengenalan Tulisan Tangan Bahasa Aksara Lota Ende dengan Menggunakan Metode Convolutional Neural Networks. Jurnal Informasi Dan Teknologi, 5(1), 258–264. https://doi.org/10.37034/jidt.v5i1.313
Fajhar Muhammad, Agung Triayudi, & Eri Mardiani. (2024). Implementation of Face Recognition for Lecturer Attendance Using Deep Learning CNN Algorithm. SaNa: Journal of Blockchain, NFTs and Metaverse Technology, 2(2), 123–130. https://doi.org/10.58905/sana.v2i2.275
Hawari, F.H., D. (2022). No Title. Klasifikasi Penyakit Padi Menggunakan Algoritma CNN (Convolutional Neural Network).
Hutabarat, F. P., & Nasution, Y. R. (2024). (2024). Sistem Pakar Diagnosis Hama dan Penyakit pada Tanaman Padi menggunakan Metode Certainty Factor. MEANS (Media Informasi Analisa Dan Sistem).
Imantyar, R., Fudholi, D. . (2021). No Title. Kajian Pengaruh Dataset Dan Bias Dataset Terhadap Performa Akurasi Deteksi Objek.
Jinan, A., Hayadi, B. H., & Utama, U. P. (2022). Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron). Journal of Computer and Engineering Science, 1(2), 37–44.
Khairunnas Khairunnas, Husna Gemasih, & Hendri Syahputra. (2022). Rancang Bangun Sistem Pakar Penyakit Tanaman Cabai Menggunakan Metode Naïve Bayes Berbasis Web. Ocean Engineering?: Jurnal Ilmu Teknik Dan Teknologi Maritim, 1(3), 59–73. https://doi.org/10.58192/ocean.v1i3.374
Khoiruddin, M., Junaidi, A., & Saputra, W. A. (2022). ). Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network. Journal of Dinda?: Data Science, Information Technology, and Data Analytics,.
Khoiruddin, M., Junaidi, A., & Saputra, W. A. (2022). Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network. Journal of Dinda?: Data Science, Information Technology, and Data Analytics, 2(1), 37–45. https://doi.org/10.20895/dinda.v2i1.341
Lesmana, A. M., Fadhillah, R. P., & Rozikin, C. (2022). Identifikasi Penyakit pada Citra Daun Kentang Menggunakan Convolutional Neural Network (CNN). Jurnal Sains Dan Informatika, 8(1), 21–30. https://doi.org/10.34128/jsi.v8i1.377
Malik Ibrahim, M., Rahmadewi, R., & Nurpulaela, L. (2023). Pendeteksian Nominal Uang Pada Gambar Menggunakan Convolutional Neural Network: Integrasi Metode Pra-Pemrosesan Citra Dan Klasifikasi Berbasis Cnn. JATI (Jurnal Mahasiswa Teknik Informatika), 7(2), 1394–1400. https://doi.org/10.36040/jati.v7i2.6863
Maulana, F.F., & Rochmawati, N. (2019). No Title. Klasifikasi Citra Buah Menggunakan Convolutional Neural Network.
Maulana, R., Prayoga, J., & Yasir, A. (2023). Sistem Pakar Diagnosa Penyakit Pada Tanaman Jeruk Menggunakan Metode Forward Chaining. Warta Dharmawangsa, 17(4), 1546–1563. https://doi.org/10.46576/wdw.v17i4.3806
Mohanty, S. P., Hughes, D. P., & Salathé, M. (2019). (2019). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419.
Pratama, M. D., Gustriansyah, R., & Purnamasari, E. (2024). Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN). Jurnal Teknologi Terpadu, 10(1), 1–6. https://doi.org/10.54914/jtt.v10i1.1167
Prisheila Dharmawan, D., Dwi Anggraeni, S., Fahmi Al-Hafidz, A., & Puspita Sari, A. (2023). Perbandingan Penerapan Logika Fuzzy Metode Mamdani Dan Metode Tsukamoto Pada Sistem Diagnosa Penyakit Tanaman Padi. Seminar Nasional Informatika Bela Negara (SANTIKA), 3, 28–36.
Putra, J. V. P., Ayu, F., & Julianto, B. (2023). Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN. Stains (Seminar Nasional Teknologi & Sains).
Putra, C. M., Triayudi, A., & Ningsih, S. (2023). Face Mask Recognition Menggunakan Model CNN (Convolutional Neural Network) Berbasis Python dan OpenCV. Journal of Computer System and Informatics (JoSYC), 4(3), 722–730. https://doi.org/10.47065/josyc.v4i3.3532
Putra, J. V. P., Ayu, F., & Julianto, B. (2023). Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN. Stains (Seminar Nasional Teknologi & Sains), 2(1), 155–162.
Rizkyansyah, M. D., & Susilawati, I. (2024). Sistem Pakar Diagnosa Penyakit Pada Tanaman Padi ( Oryza ) Menggunakan Metode Naïve Bayes Expert System For Diagnosing Diseases In Rice Plants ( Oryza ) Using The Naïve Bayes Method. 14(2), 168–181.
Sulistiyana, F., & Anardani, S. (2023). Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Convolutional Neural Network dan Support Vector Machine. Seminar Nasional Teknologi Informasi Dan Komunikasi (SENATIK), 6(1), 423–432.
UNGKAWA, U., & HAKIM, G. AL. (2023). Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 11(3), 731. https://doi.org/10.26760/elkomika.v11i3.731
Virtanen, T. E., Räikkönen, E., Lerkkanen, M.-K., Määttä, S., & Vasalampi, K. (n.d.). Development of Participation in and Identification With School: Associations With Truancy. 2021.
Wisak, S. A., Safirah, N. A., & Kaesmetan, Y. R. (2024). Identifikasi Jenis Mangga Berdasarkan Ciri Daun Menggunakan Metode Cnn. Jurnal Sistem Informasi Dan Informatika (Simika), 7(2), 121–129. https://doi.org/10.47080/simika.v7i2.3295
Zuraida, V., Kusbianto, D., & Pahlevi, M. R. (2023). Sistem Pakar Diagnosis Penyakit dan Hama pada Tanaman Padi dengan Metode Forward Chaining. Jurnal Minfo Polgan, 12(1), 378–384.
Fajhar Muhammad, Agung Triayudi, & Eri Mardiani. (2024). Implementation of Face Recognition for Lecturer Attendance Using Deep Learning CNN Algorithm. SaNa: Journal of Blockchain, NFTs and Metaverse Technology, 2(2), 123–130. https://doi.org/10.58905/sana.v2i2.275
Hawari, F.H., D. (2022). No Title. Klasifikasi Penyakit Padi Menggunakan Algoritma CNN (Convolutional Neural Network).
Hutabarat, F. P., & Nasution, Y. R. (2024). (2024). Sistem Pakar Diagnosis Hama dan Penyakit pada Tanaman Padi menggunakan Metode Certainty Factor. MEANS (Media Informasi Analisa Dan Sistem).
Imantyar, R., Fudholi, D. . (2021). No Title. Kajian Pengaruh Dataset Dan Bias Dataset Terhadap Performa Akurasi Deteksi Objek.
Jinan, A., Hayadi, B. H., & Utama, U. P. (2022). Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron). Journal of Computer and Engineering Science, 1(2), 37–44.
Khairunnas Khairunnas, Husna Gemasih, & Hendri Syahputra. (2022). Rancang Bangun Sistem Pakar Penyakit Tanaman Cabai Menggunakan Metode Naïve Bayes Berbasis Web. Ocean Engineering?: Jurnal Ilmu Teknik Dan Teknologi Maritim, 1(3), 59–73. https://doi.org/10.58192/ocean.v1i3.374
Khoiruddin, M., Junaidi, A., & Saputra, W. A. (2022). ). Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network. Journal of Dinda?: Data Science, Information Technology, and Data Analytics,.
Khoiruddin, M., Junaidi, A., & Saputra, W. A. (2022). Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network. Journal of Dinda?: Data Science, Information Technology, and Data Analytics, 2(1), 37–45. https://doi.org/10.20895/dinda.v2i1.341
Lesmana, A. M., Fadhillah, R. P., & Rozikin, C. (2022). Identifikasi Penyakit pada Citra Daun Kentang Menggunakan Convolutional Neural Network (CNN). Jurnal Sains Dan Informatika, 8(1), 21–30. https://doi.org/10.34128/jsi.v8i1.377
Malik Ibrahim, M., Rahmadewi, R., & Nurpulaela, L. (2023). Pendeteksian Nominal Uang Pada Gambar Menggunakan Convolutional Neural Network: Integrasi Metode Pra-Pemrosesan Citra Dan Klasifikasi Berbasis Cnn. JATI (Jurnal Mahasiswa Teknik Informatika), 7(2), 1394–1400. https://doi.org/10.36040/jati.v7i2.6863
Maulana, F.F., & Rochmawati, N. (2019). No Title. Klasifikasi Citra Buah Menggunakan Convolutional Neural Network.
Maulana, R., Prayoga, J., & Yasir, A. (2023). Sistem Pakar Diagnosa Penyakit Pada Tanaman Jeruk Menggunakan Metode Forward Chaining. Warta Dharmawangsa, 17(4), 1546–1563. https://doi.org/10.46576/wdw.v17i4.3806
Mohanty, S. P., Hughes, D. P., & Salathé, M. (2019). (2019). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419.
Pratama, M. D., Gustriansyah, R., & Purnamasari, E. (2024). Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN). Jurnal Teknologi Terpadu, 10(1), 1–6. https://doi.org/10.54914/jtt.v10i1.1167
Prisheila Dharmawan, D., Dwi Anggraeni, S., Fahmi Al-Hafidz, A., & Puspita Sari, A. (2023). Perbandingan Penerapan Logika Fuzzy Metode Mamdani Dan Metode Tsukamoto Pada Sistem Diagnosa Penyakit Tanaman Padi. Seminar Nasional Informatika Bela Negara (SANTIKA), 3, 28–36.
Putra, J. V. P., Ayu, F., & Julianto, B. (2023). Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN. Stains (Seminar Nasional Teknologi & Sains).
Putra, C. M., Triayudi, A., & Ningsih, S. (2023). Face Mask Recognition Menggunakan Model CNN (Convolutional Neural Network) Berbasis Python dan OpenCV. Journal of Computer System and Informatics (JoSYC), 4(3), 722–730. https://doi.org/10.47065/josyc.v4i3.3532
Putra, J. V. P., Ayu, F., & Julianto, B. (2023). Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN. Stains (Seminar Nasional Teknologi & Sains), 2(1), 155–162.
Rizkyansyah, M. D., & Susilawati, I. (2024). Sistem Pakar Diagnosa Penyakit Pada Tanaman Padi ( Oryza ) Menggunakan Metode Naïve Bayes Expert System For Diagnosing Diseases In Rice Plants ( Oryza ) Using The Naïve Bayes Method. 14(2), 168–181.
Sulistiyana, F., & Anardani, S. (2023). Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Convolutional Neural Network dan Support Vector Machine. Seminar Nasional Teknologi Informasi Dan Komunikasi (SENATIK), 6(1), 423–432.
UNGKAWA, U., & HAKIM, G. AL. (2023). Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 11(3), 731. https://doi.org/10.26760/elkomika.v11i3.731
Virtanen, T. E., Räikkönen, E., Lerkkanen, M.-K., Määttä, S., & Vasalampi, K. (n.d.). Development of Participation in and Identification With School: Associations With Truancy. 2021.
Wisak, S. A., Safirah, N. A., & Kaesmetan, Y. R. (2024). Identifikasi Jenis Mangga Berdasarkan Ciri Daun Menggunakan Metode Cnn. Jurnal Sistem Informasi Dan Informatika (Simika), 7(2), 121–129. https://doi.org/10.47080/simika.v7i2.3295
Zuraida, V., Kusbianto, D., & Pahlevi, M. R. (2023). Sistem Pakar Diagnosis Penyakit dan Hama pada Tanaman Padi dengan Metode Forward Chaining. Jurnal Minfo Polgan, 12(1), 378–384.
Copyright and Licensing
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.