Klasifikasi Penyakit Tanaman Kakao Menggunakan Metode Hybrid Convolutional Neural Network Vision Transformers Berbasis Attention Mechanism

Abstract

Berbagai macam penyakit dan hama seringkali menjadi salah satu faktor dalam penurunan jumlah produksi kakao tiap tahunnya sehingga diperlukan deteksi jenis penyakit secara akurat. Penelitian ini menggunakan pendekatan deep learning dengan menggunakan arsitektur hybrid yang menggabungkan Convolutional Neural Network menggunakan backbone EfficientNetB0, Vision Transformers, serta Attention Mechanism menggunakan Convolutional Block Attention Module (CBAM) untuk melakukan klasifikasi delapan kelas penyakit dan hama. Untuk mengatasi ketidakseimbangan dataset, dilakukan augmentasi menggunakan transformasi geometris dan gaussian noise pada kelas minoritas. Model hybrid dievaluasi dan dibandingkan dengan arsitektur CNN. Hasil pengujian menunjukkan bahwa dalam skenario tanpa augmentasi, model hybrid mengalami bias dengan tingkat recall 69% pada kelas minoritas. Setelah dilakukan augmentasi, performa pada kelas minoritas berhasil meningkat hingga 83% dan mencapai akurasi serta weighted average F1-Score sebesar 93%, mengungguli CNN murni (92%). Analisis visual menggunakan Grad-CAM menunjukkan bahwa model hybrid mampu menyoroti area penyakit dan mengabaikan noise latar belakang.