KLASIFIKASI PENYAKIT DAUN ANGGUR MENGGUNAKAN EFFICIENTNETV2-B0 DENGAN OPTIMIZER ADAMW DAN SGD

Abstract

Penyakit yang menyerang daun tanaman anggur dapat berdampak signifikan terhadap penurunan kualitas dan kuantitas hasil produksi, sehingga dibutuhkan sistem deteksi yang mampu bekerja secara cepat dan akurat. Permasalahan yang dikaji dalam penelitian ini adalah penerapan metode klasifikasi otomatis berbasis Convolutional Neural Network (CNN) dengan pendekatan transfer learning untuk mengenali jenis penyakit daun anggur secara optimal, serta menentukan optimizer yang memberikan kinerja terbaik. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi perbandingan kinerja optimizer AdamW dan Stochastic Gradient Descent (SGD) dalam mengklasifikasikan penyakit daun anggur. Metode yang digunakan memanfaatkan arsitektur EfficientNetV2-B0 pretrained yang dilatih menggunakan dataset citra daun anggur yang terdiri dari empat kelas, yaitu Black Rot, ESCA, Healthy, dan Leaf Blight, melalui tahapan feature extraction dan fine-tuning. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa kedua optimizer mampu memberikan performa yang baik, namun AdamW menunjukkan hasil yang lebih optimal dengan akurasi pengujian sebesar 97.00%, sementara SGD memperoleh akurasi sebesar 91.00%. Temuan ini menunjukkan bahwa penggunaan EfficientNetV2-B0 dengan optimizer AdamW lebih efektif dalam klasifikasi penyakit daun anggur