ANALISIS PERFORMA RESNET50 VGG16 DAN EFFICIENTNETB0 UNTUK KLASIFIKASI KONDISI VISUAL DAUN CABAI

Abstract

Daun cabai merupakan bagian penting dalam fotosintesis dan perubahan visualnya dapat mengindikasikan gangguan tanaman. Kemiripan gejala antara healthy, leaf spot, leaf curl, yellowish, dan whitefly menyebabkan identifikasi manual berpotensi subjektif dan tidak konsisten. Penelitian ini bertujuan membandingkan performa ResNet50, VGG16, dan EfficientNetB0 berbasis transfer learning serta menentukan model yang paling seimbang. Dataset sekunder Kaggle awalnya terdiri atas 500 citra. Setelah audit duplikasi identik dan kemiripan visual, diperoleh 456 citra bersih yang dibagi terstratifikasi menjadi 364 data train, 46 validation, dan 46 test. Setiap arsitektur dilatih melalui feature extraction dan fine-tuning menggunakan split serta classification head yang sama dan diulang dengan seed 42, 123, dan 2026. Evaluasi menggunakan confusion matrix, accuracy, macro precision, macro recall, macro F1-score, waktu pelatihan, waktu inference, dan jumlah parameter. EfficientNetB0 memberikan hasil terbaik dengan rata-rata accuracy 81,88%, macro precision 83,52%, macro recall 82,03%, macro F1-score 82,06%, 4.055.976 parameter, dan waktu pelatihan rata-rata 9 menit 37 detik. Kesalahan utama terjadi antara whitefly dan leaf spot serta antara leaf curl dan yellowish.