Aplikasi Mobile untuk Identifikasi Hama Tanaman Menggunakan Teknik Image Processing

Kania Wardani; Wiwin Saputri

doi:10.70716/jocsit.v1i3.341

Authors

Kania Wardani Prodi Tehnik Informatika, Universitas Sumatera Utara
Wiwin Saputri Prodi Tehnik Informatika, Universitas Sumatera Utara, Padang Bulan, Kota Medan Indonesia

DOI:

https://doi.org/10.70716/jocsit.v1i3.341

Keywords:

image processing, plant pests, mobile applications, image classification, digital agriculture

Abstract

Pest attacks on crops are one of the main factors contributing to reduced agricultural productivity in Indonesia. Manual pest identification often requires specialized expertise and is time-consuming, making the need for a fast and accurate solution essential. This study develops a mobile application for identifying crop pests using image processing techniques. The application is designed to be used by farmers and agricultural extension workers in the field simply by photographing parts of the plant suspected to be affected by pests. The identification process consists of several stages, including image preprocessing, feature extraction, and classification using a machine learning model trained with a dataset of common crop-pest images. The system is equipped with a simple interface to ensure ease of use for non-technical users. Test results show that the application is capable of identifying pests with an accuracy level sufficient for early detection needs. In addition, the application provides appropriate control recommendations, helping users make decisions to reduce the impact of pest attacks. This study demonstrates that the use of mobile devices and image processing techniques can be a practical alternative to support efforts in improving agricultural productivity. Further development can be carried out by expanding the types of pests recognized and enhancing the quality of the classification model through a more diverse dataset.

Downloads

Download data is not yet available.

References

Almadani, M. R., Prajoko, P., & Indriyana, D. (2024). Klasifikasi Kesehatan Tanaman Padi Menggunakan Algoritma Convolutional Neural Network. JATI (Jurnal Mahasiswa Teknik Informatika), 8(5), 10177-10182.

Amrulloh, I. T. A., Sari, B. N., & Padilah, T. N. (2024). Evaluasi augmentasi data pada deteksi penyakit daun tebu dengan Yolov8. JATI (Jurnal Mahasiswa Teknik Informatika), 8(4), 7547-7552.

Arissandi, D. E., & Rofiqi, A. (2025). Sistem Monitoring Gambar Daun Mangga Untuk Deteksi Awal Penyakit. Karapan Network Journal: Journal Computer Technology and Mobile Ad Hoc Network, 1(01).

Gita, R. S. D., & Komaria, N. (2025). Analisis Klasifikasi Musa acuminata L. dengan CNN dalam RBL-STEM untuk Metaliterasi. Bioma: Jurnal Biologi dan Pembelajaran Biologi, 10(1), 14-28.

Irawan, F. A., Sudarma, M., & Khrisne, D. C. (2021). Rancang Bangun Aplikasi Identifikasi Penyakit Tanaman Pepaya California Berbasis Android Menggunakan Metode Cnn Model Arsitektur Squeezenet. Jurnal SPEKTRUM Vol, 8(2).

Julyani, S., & Khairullah, K. (2025). Pemanfaatan Pengolahan Citra Untuk Deteksi dan Identifikasi Hama pada Tanaman Secara Otomatis. Ranah Research: Journal of Multidisciplinary Research and Development, 7(5), 3518-3525.

Lihawa, M., Ilahude, Z., Latief, M., Bahua, M. I., Gubali, H., Musa, N., & Tansa, S. (2024). Pengembangan Aplikasi Sistem Pakar Deteksi Dini Hama Dan Penyakit Tanaman Jagung. Jurnal Penelitian Pertanian Terapan, 24(1), 58-66

Mau, M. C., Azi, P. Y., & Wae, H. (2023). Identifikasi Gejala Serangan Dan Teknik Pengendalian Hama Pada Padi Inpari 30 Di Desa Pape Kecamatan Bajawa Kabupaten Ngada. Jurnal Pertanian Unggul, 2(2), 87-94.

Pamungkas, N. B., & Suhendar, A. (2024). Penerapan Metode Convolutional Neural Network pada Sistem Klasifikasi Penyakit Tanaman Apel berdasarkan Citra Daun. Edumatic: Jurnal Pendidikan Informatika, 8(2), 675-684.

Rafi, R. M., & Santoso, N. (2023). Pengembangan aplikasi pendukung smart city pertanian berbasis mobile. Studi kasus: Pemerintah Kota Batu. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 7(6), 2559-2567.

Ramadhani, S. F., & Kom, M. (2024). Singularity: Interaksi Manusia dan Mesin dalam Teknologi Informasi. Takaza Innovatix Labs.

Ritan, F. M. B., & Chandra, A. Y. (2025). Analisis Perbandigan Kinerja Model CNN Resnet-50, VGG19 dan Mobilenet dalam Klasifikasi Penyakit pada Tamnaman Mete. Jurnal Locus Penelitian dan Pengabdian, 4(8), 7903-7918.

Sah, A., Mulyadi, M., Alexander, A. D., & Tanniewa, A. M. (2025). Pengembangan Model Klasifikasi Citra Penyakit Daun Lada Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ). Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), 4(1), 34-44.

Santosa, A. A., Fu'adah, R. Y. N., & Rizal, S. (2023). Deteksi Penyakit pada Tanaman Padi Menggunakan Pengolahan Citra Digital dengan Metode Convolutional Neural Network. Journal of Electrical and System Control Engineering, 6(2), 98-108.

Sari, J. A., & Diana, B. A. (2024). Dampak Transformasi Digitalisasi terhadap Perubahan Perilaku Masyarakat Pedesaan. Jurnal Pemerintahan dan Politik, 9(2), 88-96.

Sihombing, M. T., Hubeis, M., & Cahyadi, E. R. (2024). Analisis adopsi dan penggunaan aplikasi pertanian digital oleh petani skala kecil di Kabupaten Tuban dengan model UTAUT. MANAJEMEN IKM: Jurnal Manajemen Pengembangan Industri Kecil Menengah, 19(2), 80-92.

Sudarsono, H. (2003). Hama belalang kembara (Locusta migratoria Manilensis Meyen): fakta dan analisis awal ledakan populasi di Provinsi Lampung. Jurnal Hama dan Penyakit Tumbuhan Tropika, 3(2), 51-56.

Wardani, G. T. (2024). Potensi Gen Z dalam Pengembangan Teknologi Berbasis Sistem Pertanian Presisi Guna Meningkatkan Produktivitas Pertanian di Indonesia. Flora: Jurnal Kajian Ilmu Pertanian dan Perkebunan, 1(2), 22-31.

Widiarta, I. N. (2021). Sistem Pendukung Pengambilan Keputusan Pengendalian Hama Terpadu Pada Tanaman Padi Berbasis Teknologi Informasi. Jurnal Penelitian dan Pengembangan Pertanian Vol, 40(1), 9-20.

Wirabowo, I., & Susilawati, I. (2025). Implementasi Convolution Neural Network (CNN) untuk Deteksi Penyakit pada Daun Jagung Berbasis Citra Digital. Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer), 5(1), 233-241.