Tanaman cabai (Capsicum sp.) merupakan komoditas penting di sektor pertanian
Indonesia yang berperan besar dalam perekonomian. Namun, budidaya cabai
menghadapi tantangan dari serangan penyakit yang menyebabkan penurunan
produksi. Saat ini, identifikasi penyakit pada tanaman cabai masih dilakukan secara
manual. Pendekatan secara manual tidak hanya menghabiskan banyak waktu, tetapi
juga bergantung pada keahlian individu, sehingga meningkatkan kemungkinan
kesalahan dalam identifikasi dan keterlambatan penanganan. Oleh karena itu,
diperlukan sistem deteksi otomatis yang lebih cepat dan akurat untuk membantu
petani dalam mengidentifikasi penyakit pada tanaman cabai.
Klasifikasi penyakit pada tanaman cabai dalam penelitian ini terbagi menjadi tiga
kelas, yaitu: Daun Sehat, Keriting Mozaik, dan Virus Gemini. Penelitian ini
mengembangkan deep learning menggunakan algoritma Convolutional Neural
Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM) yang
dilengkapi augmentasi data dengan library Keras. Untuk mengelola proses
pengembangan sistem secara menyeluruh, digunakan metodologi Cross-Industry
Standard Process for Data Mining (CRISP-DM). Metode ini memiliki enam fase
utama, yaitu business understanding, data understanding, data preparation,
modeling, evaluation, dan deployment untuk memastikan pengolahan data berjalan
sistematis.
Hasil evaluasi menunjukkan bahwa model CNN memperoleh akurasi sebesar 95%
dengan nilai hamming loss 0,0476, sementara model Bi-LSTM mencapai akurasi
sebesar 86% dengan nilai hamming loss 0,1429. Model CNN menunjukkan kinerja
klasifikasi yang lebih baik dibandingkan Bi-LSTM dalam mendeteksi penyakit
pada tanaman cabai.