<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Analisis Perbandingan Performa Custom CNN dan MobileNetV2 pada Klasifikasi Penyakit Daun Padi Menggunakan Dataset Tidak Seimbang dan Seimbang

Loading...
Thumbnail Image

Date

Journal Title

Journal ISSN

Volume Title

Publisher

Universitas Islam Indonesia

DOI

Abstract

Padi merupakan salah satu komoditas pangan utama di Indonesia. Dalam proses budidaya, tanaman padi dapat mengalami berbagai penyakit yang salah satunya terlihat melalui gejala pada daun, seperti bercak, perubahan warna, lesi, bagian daun yang mengering, atau perubahan tekstur permukaan daun. Beberapa penyakit daun padi memiliki karakteristik visual yang mirip sehingga proses identifikasi secara manual tidak selalu mudah. Oleh karena itu, penelitian ini memanfaatkan pendekatan deep learning untuk melakukan klasifikasi penyakit daun padi berdasarkan citra digital, dengan tujuan membandingkan performa CNN Kustom dan MobileNetV2 dalam mengklasifikasikan tujuh kondisi daun padi, yaitu Bacterial Leaf Blight, Brown Spot, Healthy Rice Leaf, Leaf Blast, Leaf Scald, Sheath Blight, dan Tungro. Penelitian ini juga menganalisis pengaruh ketidakseimbangan data pada kelas Tungro dengan membandingkan dua skenario dataset, yaitu dataset original dan dataset balanced quality-hybrid. Dataset original berjumlah 5.137 citra, sedangkan dataset balanced quality hybrid berjumlah 4.571 citra setelah dilakukan quality-based filtering pada kelas Tungro dan augmentasi pada kelas minoritas. Pendekatan ini digunakan agar distribusi data menjadi lebih seimbang sekaligus mempertimbangkan kualitas visual citra yang digunakan. Tahapan penelitian meliputi pengumpulan data, preprocessing, augmentasi data, pembagian data training, validation, dan testing, pembuatan model, pelatihan model, evaluasi, serta analisis perbandingan. CNN Kustom digunakan sebagai model baseline yang dilatih dari awal, sedangkan MobileNetV2 digunakan sebagai model transfer learning dengan tahapan feature extraction dan fine-tuning. Pada MobileNetV2, penentuan jumlah layer akhir yang dibuka saat fine-tuning dilakukan melalui percobaan ablasi, yaitu 0, 10, 20, 30, dan 50 layer. Evaluasi model dilakukan menggunakan accuracy, precision, recall, F1-score, classification report, dan confusion matrix, dengan penekanan pada recall macro karena penelitian berkaitan dengan klasifikasi penyakit dan ketidakseimbangan data. Berdasarkan hasil pengujian, MobileNetV2 fine-tuning 50 layer pada dataset balanced quality-hybrid memperoleh performa terbaik dengan accuracy sebesar 92,26%, recall macro sebesar 92,21%, dan F1-score macro sebesar 92,17%. CNN Kustom dengan Dropout pada dataset balanced quality-hybrid memperoleh accuracy sebesar 76,34%, recall macro sebesar 76,07%, dan F1-score macro sebesar 75,72%. Hasil penelitian menunjukkan bahwa balancing dataset berbasis quality-based filtering dan augmentasi dapat meningkatkan performa MobileNetV2, tetapi pengaruhnya tidak selalu sama pada setiap arsitektur model. MobileNetV2 juga memiliki ukuran model dan jumlah parameter yang lebih kecil dibandingkan CNN Kustom, sehingga memberikan kombinasi performa klasifikasi dan efisiensi model yang lebih baik.

Description

Citation

Endorsement

Review

Supplemented By

Referenced By