Klasifikasi Penyakit Pada Citra Daun Tanaman Jagung Menggunakan ResNet-50

Jagung merupakan salah satu sumber karbohidrat yang penting sebagai bahan pangan utama di Indonesia, selain itu jagung juga diproduksi sebagai tepung, pakan ternak dan berbagai bahan baku industri. Penyakit pada tanaman menjadi salah satu masalah rendahnya produksi terutama penyakit pada bagian daun. Deep learning dengan metode Convolutional Neural Network (CNN) digunakan untuk mengklasifikasikan berdasarkan citra daun tanaman jagung untuk mengidentifikasi penyakit. Arsitektur yang digunakan Residual Network-50 (ResNet-50). Data yang digunakan merupakan dataset primer yang terdiri 310 citra yang terdiri dari 101 citra sehat, 102 citra karat daun, dan 107 citra hawar daun. Untuk keberhasilan model pada penelitian ini dilakukan segmentasi citra menggunakan GrabCut untuk objek citra yang baik dengan penyesuaian brightness dan contrast. Augmentasi citra juga diterapkan menggunakan teknik skew, brightness, rotate, zoom, dan flip untuk meningkatkan keragaman data. Citra input yang digunakan 224x224 piksel. Split data terdiri dari 80% data training dan 20% data testing. Proses training dilakukan menggunakan nilai parameter epoch 75, batch size 16 dengan optimizer Adam (learning rate 0.0001). Skenario pengujian terdapat 2 uji skenario dengan pengujian berdasarkan jenis data (citra asli dan citra segmentasi) dan berdasarkan rasio data training dengan validation menggunakan K-Fold Cross Validation dengan K=10. Confusion matrix digunakan untuk evaluasi model dengan nilai f1-score, precision, recall, dan accuracy. Kurva ROC-AUC juga digunakan untuk evaluasi dalam pengujian. Dari hasil uji coba, model terbaik didapat dari skenario 2 dengan model ResNet-50 menggunakan penerapan segmentasi citra GrabCut dengan penyesuaian brightness dan contrast. Masing-masing dari accuracy, precision, recall, f1-score dan AUC-score dari pengujian menggunakan model terbaik tersebut adalah 85.9%, 88.1%, 85.9%, 86.5%, 0.94.