Tinjauan Sistematis Literatur Tentang Sistem Deteksi Penyakit Berbasis Deep Learning

Abstract

Perkembangan teknologi deep learning telah memberikan kontribusi yang signifikan terhadap pengembangan sistem deteksi penyakit pada berbagai domain, seperti pertanian, medis, dan peternakan. Berbagai penelitian telah memanfaatkan metode deep learning untuk meningkatkan akurasi dan efisiensi deteksi penyakit berbasis citra, namun keberagaman pendekatan, dataset, dan metrik evaluasi yang digunakan menunjukkan perlunya kajian yang lebih komprehensif. Penelitian ini bertujuan untuk melakukan Systematic Literature Review (SLR) guna mengidentifikasi metode deep learning yang dominan digunakan, tren performa model, serta tantangan dan peluang penelitian dalam bidang deteksi penyakit. Metode SLR dilakukan dengan mengikuti tahapan perencanaan, pelaksanaan, dan pelaporan, dengan menganalisis 21 artikel ilmiah yang dipublikasikan pada rentang tahun 2018–2025. Artikel dikumpulkan melalui beberapa basis data, antara lain Publish or Perish, Google Scholar, serta Garuda Kemdikbud. Hasil kajian menunjukkan bahwa Convolutional Neural Network (CNN) dan pendekatan transfer learning menggunakan model pralatih seperti ResNet dan MobileNetV2 merupakan metode yang paling banyak digunakan dan mampu menghasilkan performa yang tinggi. Selain itu, metode YOLO menunjukkan keunggulan dalam tugas deteksi objek secara real-time, khususnya pada domain pertanian. Secara umum, penelitian pada domain pertanian menghasilkan tingkat akurasi di atas 90%, sedangkan pada domain medis berkisar antara 85% hingga 97%. Meskipun demikian, tantangan seperti keterbatasan dataset, ketidakseimbangan kelas, dan kebutuhan komputasi yang tinggi masih menjadi permasalahan utama. Oleh karena itu, penelitian ini menyimpulkan bahwa deep learning merupakan pendekatan yang andal untuk deteksi penyakit serta memiliki peluang pengembangan lebih lanjut melalui penerapan model ringan, peningkatan kualitas dataset, dan explainable AI.