IMPLEMENTASI TRANSFER LEARNING DENGAN PERBANDINGAN NILAI LEARNING RATE PADA KLASIFIKASI CITRA PENYAKIT DAUN TEBU BERBASIS WEB

Abstract

Pengolahan citra digital berfokus pada penciptaan dan analisis citra untuk mendapatkan informasi yang bermanfaat, termasuk dalam bidang pertanian. Kemajuan visi komputer membuka peluang untuk meningkatkan perlindungan tanaman, khususnya pada industri gula di Indonesia yang berpotensi menjadi produsen global. Namun, rendahnya produktivitas tebu disebabkan oleh perlakuan yang kurang intensif dan serangan penyakit yang mengurangi hasil panen. Penyakit pada daun tebu dapat menyebabkan kerugian ekonomi besar, sehingga deteksi dini dan penanganan yang tepat sangat penting untuk meningkatkan hasil produksi gula. Penelitian ini membandingkan beberapa arsitektur pretrained dalam teknik transfer learning untuk klasifikasi citra penyakit daun tebu, dengan fokus pada pengaruh variasi nilai learning rate. Data yang digunakan terdiri dari lima kelas kondisi daun tebu (sehat, Red Rot, Red Stripe, Rust, dan Bacterial Blight) dengan 500 gambar dari Kaggle. Lima arsitektur yang diuji meliputi AlexNet, DenseNet121, EfficientNet-B0, MobileNetV2, dan ResNet34, dengan dua nilai learning rate (0.0001 dan 0.00001). Evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score menunjukkan DenseNet121 dengan learning rate 0.00001 memberikan akurasi terbaik (100%). Penelitian ini menyoroti pentingnya pemilihan arsitektur dan learning rate untuk klasifikasi citra penyakit daun tebu dan menunjukkan aplikasi web berbasis Flask sebagai alat deteksi dini yang efektif.