KLASIFIKASI PENYAKIT DAUN PADA TANAMAN CABAI MENGGUNAKAN MODEL HYBRID CNN-VISION TRANSFORMER

Abstract

Penyakit tanaman cabai merupakan ancaman serius yang dapat menurunkan hasil panen hingga 40%. Permasalahan utama dalam budidaya cabai adalah rendahnya akurasi identifikasi manual akibat kemiripan gejala visual antar penyakit. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi penyakit daun cabai melalui penerapan model hybrid CNN–Vision Transformer (ViT). Metode yang digunakan adalah model hybrid CNN–Vision Transformer yang mengombinasikan kemampuan CNN dalam mengekstraksi fitur lokal dengan mekanisme self-attention pada ViT untuk menangkap konteks global. Eksperimen dilakukan menggunakan dataset sebanyak 1.840 citra yang mencakup kategori sehat, kuning, keriting, dan bercak melalui tahap praproses dan augmentasi data. Hasil penelitian menunjukkan bahwa model Hybrid CNN–ViT mencapai akurasi sebesar 93%, lebih tinggi dibandingkan model CNN murni yang hanya mencapai 86%. Analisis Grad-CAM menunjukkan bahwa model hybrid mampu melakukan lokalisasi lesi secara lebih akurat. Dengan demikian, pendekatan hybrid terbukti efektif dalam meningkatkan keandalan diagnosis otomatis penyakit tanaman cabai