Jagung merupakan salah satu tanaman pangan utama yang memainkan peran krusial dalam memenuhi kebutuhan pangan global. Di banyak negara, termasuk Indonesia, jagung digunakan sebagai bahan baku utama dalam berbagai produk makanan dan pakan ternak. Namun, produktivitas tanaman jagung seringkali terhambat oleh serangan berbagai jenis hama, yang dapat menyebabkan kerugian signifikan dalam hasil panen. Pengendalian hama secara efektif menjadi salah satu tantangan terbesar bagi petani jagung. Oleh karena itu, pengembangan teknologi yang mampu mengidentifikasi dan mengklasifikasikan hama dengan cepat dan akurat sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis hama pada tanaman jagung menggunakan metode Convolutional Neural Network (CNN), yang merupakan salah satu teknik deep learning paling unggul dalam pengenalan citra. Metode ini dipilih karena kemampuannya dalam mengekstraksi fitur-fitur penting dari gambar secara otomatis tanpa memerlukan intervensi manusia secara langsung, serta kemampuan adaptasinya dalam berbagai kondisi pencahayaan dan sudut pandang. Keunggulan CNN dibandingkan metode konvensional, seperti Multi Layer Perceptron (MLP), terletak pada strukturnya yang mampu mengidentifikasi pola kompleks pada gambar dengan tingkat akurasi yang tinggi. Dataset yang digunakan dalam penelitian ini terdiri dari 3.150 gambar daun jagung yang terinfeksi oleh sembilan jenis hama berbeda, antara lain Kutu Daun, Ulat Grayak, Kumbang, Ulat Buah Kapas, Belalang, Tungau, Nyamuk, Lalat Gergaji, dan Penggerak Batang. Gambar-gambar ini diperoleh dari berbagai sumber dan diolah melalui tahapan preprocessing, termasuk penyesuaian ukuran menjadi 150x150 piksel untuk memastikan keseragaman data input. Tahapan ini sangat penting untuk meminimalisir noise dan meningkatkan kinerja model dalam proses pelatihan. Model CNN yang dikembangkan kemudian dilatih menggunakan dataset tersebut dengan menggunakan teknik backpropagation dan optimasi fungsi loss yang sesuai. Pengujian model dilakukan dengan menggunakan Confusion Matrix, yang memungkinkan peneliti untuk mengukur tingkat akurasi, presisi, recall, dan F1-score untuk masing-masing kategori hama. Hasil penelitian menunjukkan bahwa model CNN mampu mengklasifikasikan jenis hama dengan akurasi total sebesar 94,66%. Hama Ulat Grayak menunjukkan hasil klasifikasi terbaik dengan akurasi mencapai 99,78%, sementara hama Ulat Buah Kapas memiliki akurasi terendah yaitu 89,89%. Variasi akurasi ini menunjukkan bahwa beberapa jenis hama lebih sulit diklasifikasikan dibanding yang lain, yang kemungkinan disebabkan oleh ix kemiripan visual antarspesies atau variasi yang lebih besar dalam data pelatihan. penelitian ini juga menganalisis kelemahan dan keterbatasan dari model yang dikembangkan, seperti potensi overfitting akibat keterbatasan jumlah dan keragaman dataset. Untuk mengatasi masalah ini, direkomendasikan penggunaan dataset yang lebih besar dan bervariasi, termasuk gambar yang diambil dari berbagai kondisi lingkungan dan pencahayaan yang berbeda. Penelitian ini juga mengusulkan pengembangan aplikasi berbasis web atau mobile yang dapat digunakan oleh petani di lapangan untuk mendeteksi dan mengidentifikasi hama secara real-time. Kesimpulannya, metode CNN terbukti sangat efektif untuk klasifikasi hama pada tanaman jagung dan memiliki potensi besar untuk dikembangkan lebih lanjut sebagai alat bantu yang dapat meningkatkan efisiensi dan akurasi pengendalian hama. Implementasi teknologi ini di lapangan diharapkan dapat membantu petani dalam mengurangi kerugian akibat serangan hama dan meningkatkan produktivitas tanaman jagung secara keseluruhan.

Corn is one of the primary food crops that plays a crucial role in fulfilling global food needs. In many countries, including Indonesia, corn is used as the main raw material in various food and animal feed products. However, corn crop productivity is often hindered by attacks from various types of pests, which can cause significant losses in harvest yields. Effective pest control has become one of the biggest challenges for corn farmers. Therefore, the development of technology capable of identifying and classifying pests quickly and accurately is urgently needed. This research aims to develop a pest classification system for corn plants using the Convolutional Neural Network (CNN) method, which is one of the most superior deep learning techniques in image recognition. This method was chosen for its ability to automatically extract important features from images without direct human intervention, as well as its adaptability in various lighting conditions and viewing angles. The advantages of CNN compared to conventional methods, such as Multi-Layer Perceptron (MLP), lie in its structure, which is capable of identifying complex patterns in images with a high degree of accuracy. The dataset used in this research consisted of 3,150 images of corn leaves infected by nine different types of pests, including Aphids, Fall Armyworm, Beetles, Cotton Bollworm, Grasshoppers, Mites, Mosquitoes, Sawflies, and Stem Borers. These images were obtained from various sources and processed through preprocessing stages, including resizing to 150x150 pixels to ensure data input uniformity. This stage is very important to minimize noise and improve model performance in the training process. The developed CNN model was then trained using the dataset using the backpropagation technique and appropriate loss function optimization. Model testing was carried out using the Confusion Matrix, which allows researchers to measure the accuracy, precision, recall, and F1-score for each pest xi category. The results showed that the CNN model was able to classify pest types with an overall accuracy of 94.66%. The Fall Armyworm showed the best classification results with an accuracy of 99.78%, while the Cotton Bollworm had the lowest accuracy of 89.89%. This variation in accuracy indicates that some types of pests are more difficult to classify than others, which is likely due to visual similarities between species or greater variation in training data. This research also analyzes the weaknesses and limitations of the developed model, such as the potential for overfitting due to limited data quantity and diversity. To overcome this problem, it is recommended to use a larger and more diverse dataset, including images taken from various environmental conditions and different lighting. This research also proposes the development of web-based or mobile applications that can be used by farmers in the field to detect and identify pests in real time. In conclusion, the CNN method has proven to be very effective for classifying pests on corn plants and has great potential for further development as a tool that can improve the efficiency and accuracy of pest control. The implementation of this technology in the field is expected to help farmers reduce losses due to pest attacks and increase overall corn crop productivity.