Identifikasi Kinerja Arsitektur Transfer Learning Vgg16, ResNet50, dan Inception-V3 dalam Pengklasifikasian Citra Penyakit Daun Tomat

Abstract

Tomat merupakan salah satu tumbuhan holtikultura sekaligus tanaman musiman yang banyak dikonsumsi di Indonesia. Produksi tanaman tomat sering kali terancam oleh serangan hama dan penyakit, sehingga diperlukannya campur tangan teknologi dalam pengidentifikasian penyakitnya. Teknologi untuk mengidentifikasi penyakit yang terfokus pada daun tomat ini menggunakan pengolahan citra dengan metode CNN. Penelitian ini diharapkan dapat menghasilkan perbandingan arsitektur CNN yang terbaik secara akurasi. Terdapat tiga arsitektur CNN yang dibandingkan dalam penelitian ini yaitu, arsitektur VGG16, ResNet50 dan Inception-V3. Dalam pengimplementasiannya, ketiga arsitektur tersebut diberikan perlakuan yang sama seperti penggunaan input piksel, penambahan layers model, dan lain sebagainya. Penelitian ini menghasilkan tingakt akurasi yang berbeda beda. Arsitektur Inception-V3 mendapatkan nilai akurasi dan validasi akurasi sebesar 0.9551 dan 0.9544. Arsitektur ResNet50 mendapatkan nilai akurasi sebesar 0.9578 dan nilai validasi akurasi sebesar 0.9467. Dan nilai akurasi tertinggi didapat dengan nilai akurasi sebesar 0.9754 dan nilai validasi akurasi tertinggi pada 0.9778 menggunakan arsitektur VGG16.