KLASIFIKASI PENYAKIT DAUN ANGGUR MENGGUNAKAN FINE-TUNED MOBILENETV3

Abstract

Tanaman anggur (Vitis vinifera L.) adalah komoditas holtikultura yang rentan terhadap penyakit yang disebabkan oleh berbagai faktor seperti lingkungan, cuaca, dan sebagainya. Deteksi dini dan akurat terhadap penyakit daun anggur memiliki peran krusial dalam mencegah penurunan produktivitas, meminimalkan kerugian ekonomi, serta mendukung penerapan pertanian presisi. Namun, identifikasi penyakit pada tanaman anggur masih banyak dilakukan secara manual, dimana rentan terhadap subjektivitas dan ketidakefisienan operasional. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit tanaman anggur menggunakan model Convolutional Neural Network (CNN) dengan pendekatan transfer learning menggunakan arsitektur MobileNetV3-Small, yang dirancang khusus untuk skenario terbatas dan memiliki kemampuan ekstraksi fitur yang baik untuk identifikasi penyakit tanaman anggur. Model ini dikembangkan menggunakan dataset dari Kaggle yang mencangkup empat kelas, yaitu ESCA, Black Rot, Healthy, dan Leaf Blight. Metodologi penelitian meliputi pra-pemrosesan data, augmentasi citra, dan inisialisasi model MobileNetV3-Small dengan membekukan blok awal (1-9) serta membuka blok akhir (10-16) untuk dilatih ulang (fine-tuning). Hasil evaluasi menunjukkan bahwa strategi fine-tuning secara signifikan meningkatkan performa model dibandingkan model tanpa fine-tuning. Model yang diusulkan berhasil mencapai tingkat akurasi sebesar 99,83%, dengan precision 99,85%, recall 99,84%, dan F1-score 99,84%. Hasil ini menunjukkan bahwa MobileNetV3-Small dengan fine-tuning menawarkan keseimbangan optimal antara akurasi tinggi dan efisiensi komputasi, sehingga sangat potensial untuk diimplementasikan pada perangkat dengan sumber daya terbatas.