Pemilihan Hyperparameter Pada Alexnet CNN Untuk Klasifikasi Citra Penyakit Kedelai

Abstract

Kedelai merupakan makanan yang populer. Estimasi hasil di Indonesia berkisar antara 1,2 dan 1,5 ton per hektar, masih jauh di bawah potensi hasil sebesar 2 hingga 2,5 ton per hektar. Gangguan penyakit pada tanaman kedelai merupakan salah satu penyebab rendahnya hasil, sehingga petani harus mengenal penyakit yang menyerang kedelai agar dapat memilih jenis penyakit dan tindakan pengobatan yang tepat. Proses laboratorium pendampingan penyakit masih belum efisien sehingga membutuhkan waktu yang lama. Computer vision dan pembelajaran mendalam sekarang dapat digunakan untuk mengenali informasi prediktif pada objek, meskipun objek diposisikan di mana pun objek tersebut dimasukkan. Convolutional Neural Network (CNN) adalah teknik pembelajaran mendalam yang paling sering digunakan saat ini. Penelitian ini menggunakan arsitektur CNN yakni AlexNet dengan hyperparameter tuning untuk mengklasifikasikan citra penyakit kedelai. Hyperparameter tuning sangat berpengaruh terhadap performa model. Dataset yang digunakan berjumlah 1.500 citra penyakit pada daun kedelai, terdiri dari 3 kelas yakni caterpillar, diabrotica speciosa, dan healthy. Hyperparameter tuning pada AlexNet CNN dengan ukuran bacth size 12, dropout 0.2, optimizer Adam menghasilkan hasil terbaik dari segi nilai akurasi 84%, presisi 81,95%, recall 80,66%, serta f1-score 80,96%.