Penelitian ini bertujuan untuk mengembangkan metode klasifikasi penyakit pada tanaman pisang menggunakan teknologi Convolutional neural network (CNN) dengan arsitektur LeNet. Masalah yang dihadapi adalah kesulitan petani di Indonesia dalam mengenali penyakit pada daun pisang yang mengakibatkan penanganan yang tidak tepat dan kerugian. Pisang merupakan komoditas hortikultura penting di Indonesia, namun rentan terhadap berbagai penyakit yang dapat mengakibatkan kerugian bagi petani. Dalam penelitian ini, dataset yang digunakan terdiri dari 2856 citra daun pisang yang terbagi menjadi tujuh kategori penyakit, termasuk Black Sigatoka Disease dan Panama Disease. Metode yang diterapkan mencakup pengumpulan data, preprocessing, pelatihan model, dan evaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model CNN LeNet mampu mencapai akurasi sebesar 92%, dengan nilai precision, recall, dan F1 score masing-masing sebesar 94%, 93%, dan 93%. Temuan ini diharapkan dapat memberikan kontribusi signifikan dalam pengelolaan penyakit tanaman pisang, serta membantu petani dalam mengidentifikasi dan menangani penyakit secara lebih cepat dan akurat. Penelitian ini juga merekomendasikan pengembangan aplikasi berbasis mobile atau web untuk memudahkan petani dalam mendapatkan diagnosis penyakit tanaman secara instan.

This study aims to develop a disease classification method in banana plants using Convolutional neural network (CNN) technology with LeNet architecture. The problem faced is the difficulty of farmers in Indonesia in recognizing diseases on banana leaves which results in inappropriate handling and losses. Bananas are an important horticultural commodity in Indonesia, but are susceptible to various diseases that can result in losses for farmers. In this study, the dataset used consisted of 2856 banana leaf images divided into seven disease categories, including Black Sigatoka Disease and Panama Disease. The methods applied include data collection, preprocessing, training models, and evaluation using a confusion matrix. The results showed that the LeNet CNN model was able to achieve an accuracy of 92%, with precision, recall, and F1 scores of 94%, 93%, and 93%, respectively. These findings are expected to provide a significant contribution to the management of banana plant diseases, as well as help farmers identify and treat diseases more quickly and accurately. This study also recommends the development of mobile or web-based applications to make it easier for farmers to get instant plant disease diagnoses.