Peningkatan Performa Klasifikasi Penyakit Tanaman Kopi Menggunakan Snapshot Ensemble CNN Arsitektur Efficientnet

Abstract

Kopi robusta merupakan komoditas penting bagi Indonesia, namun produktivitasnya menurun akibat penyakit. Berdasarkan data BPS tahun 2022, produksi kopi turun 1,43% dibandingkan tahun sebelumnya yang merupakan rekor tertinggi. Penelitian ini bertujuan meningkatkan akurasi klasifikasi penyakit daun kopi menggunakan arsitektur EfficientNet-B0 yang digabungkan dengan metode Snapshot Ensemble. Data yang digunakan terdiri dari 1346 gambar daun kopi, dibagi menjadi tiga kelas: Phoma, Rust, dan daun sehat. Teknik augmentasi data diterapkan untuk meningkatkan variasi data, dan model dilatih menggunakan kombinasi EfficientNet-B0 dan Snapshot Ensemble. Evaluasi dilakukan dengan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa model Snapshot Ensemble meningkatkan akurasi klasifikasi menjadi 99,26%, dibandingkan dengan 98,88% pada model single EfficientNet-B0. Pengujian pada gambar daun dari kebun Renteng, Rembangan dengan 154 gambar, menghasilkan akurasi sebesar 81,82%. Kesimpulannya, metode ini terbukti efektif dalam meningkatkan akurasi klasifikasi penyakit pada daun tanaman kopi, sehingga dapat digunakan sebagai solusi untuk deteksi penyakit daun kopi robusta secara akurat dan efisien secara komputasi. Kata kunci: Kopi Robusta, EfficientNet-B0, Snapshot Ensemble, Augmentasi Data, Deep Learning