IMPLEMENTASI RESIDUAL NETWORK (RESNET) UNTUK KLASIFIKASI PENYAKIT DAUN ANGGUR

Tanaman anggur (Vitis vinifera) memiliki peran penting dalam sektor pertanian, industri, dan wisata di Indonesia. Namun, produktivitas tanaman ini sering terancam oleh penyakit daun seperti leaf blight, black rot, dan Esca, yang dapat menurunkan kualitas serta kuantitas hasil panen. Metode tradisional untuk mendiagnosis penyakit daun anggur, yang mengandalkan observasi manual oleh petani, sering kali tidak efisien dan kurang akurat. Oleh karena itu, penerapan teknologi deep learning menjadi alternatif yang menjanjikan. Salah satu model Convolutional Neural Network (CNN) yang digunakan dalam penelitian ini adalah Residual Network (ResNet). Dataset yang digunakan untuk melatih model merupakan kombinasi dataset primer dan sekunder dengan total 8.860 gambar. Dataset primer diperoleh dari kebun anggur di Ngawi, sementara dataset sekunder berasal dari Kaggle. Kedua dataset ini terdiri dari 4 kelas, yaitu leaf blight, black rot, Esca, dan healthy. Penelitian ini menguji tiga varian ResNet, yaitu ResNet50, ResNet101, dan ResNet152, dengan masing-masing diuji menggunakan learning rate sebesar 0.1, 0.01, dan 0.001. Hasil penelitian menunjukkan bahwa ResNet50 dengan learning rate 0.001 memberikan performa terbaik dengan akurasi, presisi, recall, dan F1-Score sebesar 95.0%. Model ini juga lebih efisien dalam hal waktu dan memori, dengan waktu training 26 menit 08 detik dan penggunaan memori sebesar 5423.23 MB. Pada tahap prediksi, model ini membutuhkan waktu 4 detik dengan beban memori hanya 20.57 MB. Temuan pada penelitian ini yaitu arsitektur yang mendalam tidak menjadikan ukuran dalam menentukan perolehan akurasi yang lebih baik, melainkan dapat menambah sumberdaya yang lebih besar dalam proses training dan testingnya. Adapun secara konsisten, learning rate yang lebih kecil juga dapat membuat proses pelatihan lebih lama, walaupun perolehan pada proses prediksi menunjukkan performa yang cukup baik. Kata Kunci: Daun Anggur, Deep Learning, Early Stopping, ResNet, Klasifikasi