KLASIFIKASI PENYAKIT DAUN TEH MENGGUNAKAN ARSITEKTUR MOBILENETV4

Abstract

Produktivitas tanaman teh di Indonesia sering terganggu oleh serangan penyakit daun, namun identifikasi secara manual kurang efisien karena membutuhkan waktu lama dan sangat bergantung pada keahlian pengamat. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit daun teh menggunakan arsitektur MobileNetV4 serta menganalisis pengaruh optimizer dan batch size terhadap performa model. Menggunakan dataset teaLeafBD sebanyak 5.278 citra dari tujuh kategori, pendekatan transfer learning dengan strategi full fine-tuning diterapkan pada varian MobileNetV4-Conv-Small, Medium, dan Large. Model dilatih menggunakan optimizer Adam dan SGD dengan batch size 16 dan 32, kemudian dievaluasi melalui metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa optimizer Adam secara konsisten mengungguli SGD. Akurasi tertinggi sebesar 90,53% dicapai oleh varian Small dan Large pada batch size 32. Varian Small direkomendasikan sebagai konfigurasi terbaik karena mampu menyeimbangkan akurasi tinggi dengan efisiensi komputasi