Implementasi Metode Convolutional Neural Networks (CNN) Untuk Klasifikasi Penyakit pada Daun Tanaman Cabai Menggunakan Arsitektur EfficientNetB7

Abstract

Cabai merupakan komoditas penting di Indonesia dengan nilai gizi tinggi dan potensi ekonomi yang besar. Meskipun permintaan terus meningkat, produktivitas cabai masih rendah, disebabkan oleh berbagai faktor termasuk penyakit daun. Identifikasi penyakit dengan metode tradisional memerlukan biaya tinggi dan berisiko kesalahan. Convolutional Neural Networks (CNN) dibutuhkan sebagai klasifikasi sebuah citra gambar untuk mendeteksi, dengan kemampuannya dalam mengklasifikasikan dan menghasilkan hasil yang signifikan dalam pengenalan citra, CNN menjadi solusi yang efektif dalam klasifikasi penyakit pada daun tanaman cabai dengan menggunakan data citra. Dalam penelitian ini penyakit daun tanaman cabai akan di klasifikasikan menggunakan metode CNN dengan sebuah model arsitektur EfficientNetB7 yang termasuk dalam deep learning. Berdasarkan penelitian yang telah dilakukan, untuk mengklasifikasikan citra penyakit pada daun tanaman cabai menggunakan CNN dengan model arsitektur EfficientNetB7 didapatkan dengan menambahkan lapisan dropout dengan nilai 0.5 dan menggunakan beberapa parameter yang sesuai berdasarkan skenario pengujian yaitu dengan input shape 600 x 600 pixel, epochs 20, batch size 32, optimizer Adam, learning rate 0.0001 dan dengan skenario data 90:10, 80:20, 70:30. Akurasi tertinggi yang didapatkan dari model arsitektur EfficientNetB7 yaitu 96,67% pada skenario 70:30, dengan nilai precision, recall, dan f1-score masing- masing mencapai 96%, 95.5%, dan 95.5%.