Segmentasi Penyakit Daun Kentang Menggunakan Metode DeepLabV3 dan Improved UNet

Abstract

Kentang merupakan salah satu tanaman pangan utama yang memiliki peran signifikan dalam ketahanan pangan dan perekonomian pertanian. Penyakit daun kentang, seperti Late Blight dan Early Blight, mengancam hasil panen dan kualitas tanaman secara signifikan jika tidak terdeteksi secara dini. Metode konvensional dalam identifikasi penyakit ini masih memiliki kelemahan dalam kecepatan dan akurasi, sehingga diperlukan teknologi berbasis citra dan deep learning untuk meningkatkan efektivitas deteksi otomatis. Penelitian ini bertujuan membandingkan performa dua arsitektur deep learning, yaitu DeepLabV3 dan Improved UNet, dalam segmentasi penyakit daun kentang yang diambil dari dataset PlantVillage. Dataset yang digunakan terdiri dari citra berkelas Healthy, Early Blight, dan Late Blight, yang kemudian diperluas melalui teknik augmentasi untuk meningkatkan keragaman data dan mencegah overfitting. Model DeepLabV3 yang menerapkan modul Atrous Spatial Pyramid Pooling (ASPP) serta mekanisme atrous convolution dan normalisasi batch menunjukkan performa yang lebih unggul. Sementara itu, Improved UNet yang menggunakan mekanisme Squeeze and Excitation (SE) dan backbone ResNet50. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem deteksi dini otomatis berbasis citra untuk mendukung keberlanjutan produksi pertanian dan ketahanan pangan secara umum