Analisis Performa Convolutional Neural Network (CNN) Menggunakan Arsitektur EfficientNetV2 dalam Mengklasifikasikan Penyakit Daun pada Tanaman Padi

Abstract

Budidaya padi sebagai tanaman pangan pokok di Indonesia menghadapi tantangan serius terkait hama dan penyakit yang dapat mengurangi kualitas dan kuantitas hasil panen. Dalam mengatasi masalah tersebut, petani di Indonesia cukup kesulitan dikarenakan keterbatasan pengetahuan dan kompetensi dalam bidang penyakit tanaman padi. Metode deep learning, terutama CNN, telah terbukti efektif dalam mendeteksi penyakit pada tanaman padi, namun belum ada penelitian yang menggunakan arsitektur EfficientNetV2 yang lebih unggul dalam efisiensi parameter dan kecepatan training. EfficientNetV2, yang dikembangkan dengan teknik AutoML Neural Architecture Search, mampu mencari kombinasi terbaik dari hyperparameter untuk menghasilkan arsitektur yang efisien dan akurat. Variasi arsitektur EfficientNetV2-S, M, dan L didasarkan pada penyesuaian hyperparameter seperti resolusi gambar, skala lebar, dan skala kedalaman. Penelitian ini akan memanfaatkan pendekatan Transfer Learning dan pembelajaran progresif untuk melatih model CNN dengan arsitektur EfficientNetV2-S, M, dan L. Ketiga model tersebut akan dibandingkan performa hasilnya untuk mengetahui model mana yang lebih baik. Dataset yang digunakan pada penelitian ini yaitu “Paddy Doctor: Paddy Disease Classification” yang terdiri dari 3 jenis penyakit daun padi (leaf blast, brown spot, bacterial leaf blight) dan 1 tanaman padi yang sehat. Jumlah dataset tiap kelas yang digunakan berturut-turut adalah 1.738, 965, 479 dan 1764 citra, dengan total keseluruhan data sebanyak 4,946 citra. Untuk melihat hasil performa secara lebih detail, model ini dievaluasi menggunakan metode K-Fold Cross Validation dan Hold Out Validation. Proses pembagian data pada metode Hold Out Validation meliputi rasio pembagian data yaitu 60:40, 70:30, dan 80:20. Hasil penelitian menunjukkan model EfficientNetV2-S dapat menghasilkan akurasi yang lebih tinggi dengan nilai accuracy, precision, recall dan f1-score masing-masing sebesar 93.92%; 94.22%; 93.92% dan 94.00%.