ANALISIS KOMPARATIF EFEKTIVITAS OPTIMIZER PADA MODEL INCEPTIONV3 DAN EFFICIENTNETB3 MENGGUNAKAN TRANSFER LEARNING UNTUK KLASIFIKASI PENYAKIT DAUN TOMAT

Abstract

Penyakit daun tomat dapat menurunkan kualitas dan produktivitas tanaman sehingga diperlukan sistem identifikasi yang cepat dan akurat. Identifikasi penyakit secara manual masih memiliki keterbatasan karena membutuhkan waktu dan keahlian khusus dalam mengenali gejala penyakit. Penelitian ini bertujuan menganalisis dan membandingkan efektivitas optimizer pada model InceptionV3 dan EfficientNetB3 menggunakan pendekatan transfer learning untuk klasifikasi penyakit daun tomat. Dataset yang digunakan berasal dari PlantVillage sebanyak 10.000 citra dengan 10 kelas penyakit. Tahapan penelitian meliputi preprocessing, augmentasi citra, pembagian dataset dengan rasio 80:10:10, serta pelatihan model menggunakan optimizer Adam, RMSprop, SGD Momentum, AdamW, dan Nadam. Seluruh eksperimen dilakukan menggunakan konfigurasi pelatihan yang sama untuk menjaga validitas perbandingan antar optimizer. Evaluasi performa dilakukan menggunakan accuracy, precision, recall, F1-score, MCC, kappa, dan Top-3 accuracy. Hasil penelitian menunjukkan bahwa RMSprop memberikan performa terbaik dengan akurasi sebesar 99,1% pada InceptionV3 dan 99,2% pada EfficientNetB3. Selain itu, EfficientNetB3 menunjukkan performa klasifikasi yang lebih baik dibandingkan InceptionV3. Penelitian selanjutnya berpotensi mengembangkan optimasi hyperparameter dan penerapan dataset lapangan untuk meningkatkan kemampuan generalisasi model.