Evaluasi Komparatif Arsitektur Convolutional Neural Network pada Klasifikasi Penyakit Daun Kentang

Abstract

Penelitian ini melakukan evaluasi komparatif terhadap tujuh arsitektur Convolutional Neural Network (CNN), yaitu MobileNet, NASNet Mobile, MobileNetV2, VGG16, ResNet50, InceptionV3, dan InceptionResNetV2, dalam mengklasifikasikan penyakit early blight dan late blight pada daun kentang menggunakan pendekatan transfer learning. Dataset yang digunakan adalah Potato Disease Leaf Dataset (PLD), dengan seluruh model diinisialisasi menggunakan bobot pra-latih ImageNet dan dilatih pada citra berukuran 224 × 224 piksel. Untuk meningkatkan keberagaman data dan mengurangi overfitting, augmentasi citra dilakukan secara real-time melalui horizontal flip, vertical flip, dan rotasi ±5°. Proses pelatihan menggunakan optimizer Stochastic Gradient Descent (SGD) dengan learning rate 0,001, batch size 2, selama 30 epoch, serta fungsi loss Binary Crossentropy. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score pada data uji independen. Hasil eksperimen menunjukkan bahwa ResNet50 mencapai kinerja terbaik dengan akurasi 97,16%, loss 0,1153, presisi 94,63%, recall 100,00%, dan F1-score 97,24%, mengungguli VGG16 (96,45%) dan MobileNet (95,04%). Sebaliknya, InceptionV3, NASNet Mobile, dan InceptionResNetV2 menunjukkan stabilitas pelatihan dan kemampuan generalisasi yang lebih rendah pada dataset ini. Temuan ini menegaskan bahwa mekanisme residual connection pada ResNet50 berperan signifikan dalam meningkatkan diskriminasi fitur visual penyakit daun, sementara MobileNet menawarkan kompromi yang efektif antara akurasi dan efisiensi komputasi, sehingga berpotensi diterapkan pada sistem deteksi penyakit tanaman berbasis perangkat terbatas.

Plant phenotyping relevance

ジャガイモ葉の病徴を画像から分類するCNNアーキテクチャを比較・評価しており、植物の病害状態を推定する画像ベースのフェノタイピング手法の技術検証が中心です。

Code and data availability

植物フェノタイピング解析を再現する公開資産であることを、入力本文と直接リンクから確認できなかったため保留しました。

No evidence-backed public reproduction asset is currently recorded.