KLASIFIKASI PENYAKIT DAUN PADI MENGGUNAKAN METODE DEEP LEARNING BERBASIS ARSITEKTUR EFFICIENNETB3 DENGAN TRANSFER LEARNING

Padi merupakan komoditas pertanian terbesar dan menjadi makanan pokok masyarakat Indonesia. Masalah utama yang dihadapi petani padi adalah hama dan penyakit yang menyerang tanaman padi salah satunya pada bagian daun. Convolutional neural network (CNN) arsitektur EfficientNetB3 merupakan metode yang dapat digunakan untuk klasifikasi pada data citra secara langsung. Metode CNN tergolong kedalam komputasi yang tinggi sehingga pada penelitian ini digunakan arsitektur CNN EfficienNetB3 dengan transfer learning untuk mempercepat waktu training serta meningkatkan performa. Dataset yang digunakan merupakan data publik Kaggle oleh Shayan Riyaz total 3355 data citra dengan kelas BrownSpot, Healthy, Hispa dan LeafBlastrnyang masih belum seimbang, sehingga dilakukan oversampling augmentasi. Hasil penelitian model EfficientNetB3 dengan transfer learning fine-tuning dengan unfreeze semua layer berhasil mendapatkan performa evaluasi yang paling tinggi dengan akurasi pada data training 98,66%, testing 93,58% dan nilai AUC 0,9736, sedangkan pada model tanpa transfer learning mendapatkan akurasi training 59,40%, testing 77,47% dan AUC 0,8089. Penerapan transfer learning fixed feature extraction membuat proses training pada model menjadi lebih cepat hingga 3.6 kali dibanding model tanpa transfer learning dan skor akurasi AUC juga menjadi lebih tinggi. Akan tetapi pengujian model dengan data berbeda yang diambil secara langsung memiliki performa yang rendah atau model belum dapat mengklasifikasikan data dengan tepat, hasil terbaik didapatkan model EfficientNetB3 fine-tuning fixed feature extraction skor AUC 0,6192 dan akurasi testing 67,97%.