ANALISIS PERBANDINGAN OPTIMIZER ADAMW, ADAGRAD, DAN SGD PADA KLASIFIKASI PENYAKIT DAUN PISANG MENGGUNAKAN MOBILENETV3

Abstract

Pisang merupakan komoditas strategis di Indonesia, namun produktivitasnya sering terhambat oleh serangan penyakit daun seperti Sigatoka, Cordana, dan Pestalotiopsis. Metode identifikasi visual konvensional memiliki keterbatasan dalam hal subjektivitas dan rentan terhadap kesalahan diagnosis. Penelitian ini bertujuan menganalisis efektivitas klasifikasi penyakit daun pisang menggunakan arsitektur deep learning MobileNetV3-Large dengan membandingkan kinerja tiga optimizer, yakni AdamW, Adagrad, dan SGD. Metodologi penelitian dimulai dengan offline augmentation pada 1.600 citra dari dataset BananaLSD yang dibagi menjadi rasio 80% training, 10% validation, dan 10% testing. Citra distandarisasi ke dimensi 224x224 piksel melalui proses normalisasi data. Kinerja model dievaluasi menggunakan confusion matrix dengan pendekatan macro-average untuk mengukur akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa optimizer AdamW mencapai akurasi tertinggi sebesar 99%, disusul SGD sebesar 94%, dan Adagrad sebesar 92%. Optimizer AdamW terbukti memberikan stabilitas pelatihan dan generalisasi model yang paling optimal pada arsitektur MobileNetV3-Large dalam klasifikasi penyakit daun pisang