KLASIFIKASI PENYAKIT PADA DAUN CABAI JAMU MENGGUNAKAN METODE INCEPTIONV3

Dalam era digital saat ini, klasifikasi citra memegang peranan penting dalam sistem berbasis kecerdasan buatan. Proses ini memungkinkan sistem untuk secara otomatis mengidentifikasi objek dalam citra berdasarkan pola atau karakteristik visual tertentu. Permasalahan dalam penelitian ini berkaitan dengan pemilihan metode klasifikasi citra yang paling sesuai untuk mengidentifikasi penyakit pada daun cabai jamu, yang memiliki kemiripan visual antar kondisi. Selain itu, citra daun cabai jamu yang diperoleh langsung dari kamera masih berupa data mentah sehingga memerlukan proses penyeragaman agar dapat masuk ke arsitektur model klasifikasi citra secara optimal. Oleh karena itu, diperlukan suatu sistem yang mampu mengekstraksi fitur visual secara optimal dan konsisten, sehingga proses klasifikasi penyakit pada daun cabai jamu dapat dilakukan secara lebih efektif dan akurat. Penelitian ini menggunakan total 384 data citra yang terbagi ke dalam tiga kelas, yaitu 147 data daun sehat, 107 data bercak daun, dan 130 data keriting daun. Data citra tersebut selanjutnya diproses menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur InceptionV3. Tahapan pra-pemrosesan yang diterapkan dalam penelitian ini meliputi augmentasi data, penerapan bounding box, perubahan ukuran citra menjadi 299×299 piksel, serta penyimpanan data dalam format npz. Beberapa skenario pengujian dilakukan dengan variasi nilai learning rate, epoch, dan batch size, yang menghasilkan performa model yang berbeda-beda. Hasil evaluasi menunjukkan bahwa setiap skenario pengujian menghasilkan tingkat performa model yang bervariasi. Nilai accuracy tertinggi diperoleh pada skenario dengan learning rate sebesar 0.0001, epoch sebanyak 50, dan batch size 32, yaitu mencapai 95,23%, dengan hasil prediksi yang konsisten pada masing-masing kelas berdasarkan analisis confusion matrix. Model yang dihasilkan mampu mengklasifikasikan daun sehat, bercak daun, dan keriting daun dengan tingkat akurasi yang tinggi serta tingkat kesalahan klasifikasi yang relatif rendah.