Analisis Kinerja ResNet-50 dalam Klasifikasi Penyakit pada Daun Kopi Robusta

Abstract

Indonesia merupakan negara agraris yang banyak ditanami tumbuhan salah satunya yaitu tanaman kopi. Dalam budidaya tanaman kopi terdapat halangan seperti hama dan cuaca ekstrim yang bisa membuat tanaman layu atau terkena penyakit. Dengan kemajuan teknologi yang pesat di masa kini, banyak sistem yang membantu para petani untuk membantu mengidentifikasi penyakit pada daun kopi. Sistem ini menggunakan teknologi salah satu arsitektur Convolutional Neural Network, yaitu ResNet-50 untuk mengidentifikasi dan mengklasifikasi penyakit pada daun kopi robusta. Dalam melatih model ResNet-50 diperlukan proses pelatihan dan validasi model yang kemudian model yang telah dilatih akan dilakukan pengujian. Pengujian model akan digunakan untuk mengukur kinerja model yang akan dihitung dengan menggunakan Confusion Matrix yang variabel output nya akan digunakan untuk menghitung Akurasi, presisi, recall, Spesifisitas, dan F1 Score. Penelitian ini akan berfokus pada perhitungan nilai kinerja akurasi dan F1 Score dari model tersebut. Penelitian dilakukan dengan dua kasus yaitu binary class dan multiclass dimana binary class untuk mengklasifikasi gambar daun kopi robusta sehat dan sakit dan multiclass untuk mengklasifikasikan gambar daun kopi robusta pada setiap jenis kategori dari daun yang berpenyakit dan sehat. Hasil dari penelitian menunjukan pada kasus binary class mencapai akurasi 92,68% dan f1-score mencapai 92,88%, sedangkan pada kasus multiclass akurasi hanya mencapai 88,98% dan f1-score mencapai 88,44%. Kedua kasus tersebut diukur menggunakan data testing dengan model yang telah dilatih.

Klasifikasi Ikan Cakalang dan Tongkol Menggunakan Convolutional Neural Network

“…Dalam proses pengujian, data uji tersebut diubah ke ukuran 224 x 224 piksel. Kemudian, dilakukan evaluasi model menggunakan confusion matrix dengan nilai performa yang dihitung adalah akurasi, rata-rata makro precision, rata-rata makro recall, dan rata-rata makro f1 score [20]. Perhitungan nilai performa tersebut digunakan untuk memastikan keseimbangan hasil prediksi model pada setiap kelas.…”

Implementasi Convolutional Neural Network Dalam Klasifikasi Jenis Kopi Temanggung

“…Dengan hasil performa terbaik adalah pada kasus binary class yang memiliki akurasi 92,68% dan F1-Score 92,88%. Sedangkan pada multi-class performa terbaik memiliki akurasi 88,98% dan F1 -Score 88.44% [19].…”

Deteksi dan Klasifikasi Penyakit Pada Daun Kopi Menggunakan Yolov7

“…Seperti halnya Indonesia yang mampu memproduksi kopi 639 ribu ton per tahun. Dengan jumlah tersebut menempatkan Indonesia pada urutan ke empat di dunia [2]. Meskipun tanaman kopi merupakan komoditas yang tinggi, terdapat beberapa kendala yang mengakibatkan berkurangnya produktivitas seperti usia tanaman, penyakit yang terdapat pada tanaman kopi, berasal dari hama, serta keadaan lingkungan [3][4] [5].…”

“…Penelitian yang menggunakan ResNet50 lain dilakukan oleh Suprihanto, dkk mendapatkan akurasi dan f1-score untuk binary kelas 92.68% dan 92.88%. Namun, penurunan akurasi terjadi pada multi kelas mendapatkan akurasi 88.98% dan f1-score 88.44% [2]. Penelitian klasifikasi penyakit tanaman kopi yang dilakukan Sabrina dan Al-Maki menggunakan CNN dengan arsitektur EfficientNet-B0, data augmentasi, serta evaluasi performa seperti Adam, RMSprop.…”