PENANGANAN KETIDAKSEIMBANGAN KELAS PADA KLASIFIKASI PENYAKIT DAUN KENTANG MENGGUNAKAN DENSENET121: STUDI PERBANDINGAN CROSS ENTROPY DAN FOCAL LOSS

Abstract

Tanaman kentang merupakan komoditas pertanian strategis yang produktivitasnya kerap terganggu oleh berbagai penyakit daun, namun identifikasi secara manual masih bergantung pada keahlian ahli agronomi yang terbatas dan membutuhkan waktu lama. Permasalahan utama yang dihadapi adalah ketidakseimbangan kelas (class imbalance) pada dataset penyakit daun kentang di lingkungan tidak terkontrol, di mana kelas Nematode hanya memiliki 68 sampel (2,2%) berbanding kelas Fungi dengan 748 sampel (24,3%), sehingga model cenderung bias terhadap kelas mayoritas dan gagal mendeteksi penyakit langka yang justru krusial. Penelitian ini bertujuan membandingkan efektivitas fungsi loss Categorical Cross Entropy dan Focal Loss dalam menangani ketidakseimbangan kelas pada klasifikasi penyakit daun kentang menggunakan arsitektur DenseNet121 dengan transfer learning dari ImageNet. Dataset terdiri dari 3.076 gambar dalam 7 kelas dengan rasio pembagian 80:20, dilatih menggunakan optimizer Adam, augmentasi data pada subset training, serta mekanisme EarlyStopping dan ReduceLROnPlateau. Hasil evaluasi menunjukkan model Cross Entropy mencapai overall accuracy 68,63% dengan macro F1-Score 0,68, sedangkan Focal Loss mencapai 64,38% dengan macro F1-Score 0,66. Meskipun Cross Entropy unggul secara keseluruhan, Focal Loss terbukti lebih efektif pada kelas minoritas Nematode dengan F1-Score 0,75 berbanding 0,67 dan peningkatan Recall sebesar 15,4 poin, membuktikan bahwa pemilihan fungsi loss perlu disesuaikan dengan prioritas deteksi pada dataset yang tidak seimbang