ANALISIS KOMPARASI ARSITEKTUR EFFICIENTNETV2-S DAN RESNET50 DALAM KLASIFIKASI JENIS DAN TINGKAT KEPARAHAN PENYAKIT DAUN PADI

Abstract

Padi merupakan komoditas pangan strategis, namun produksinya kerap terancam oleh penyakit daun. Identifikasi penyakit secara konvensional seringkali tidak efisien dan subjektif, sementara model deteksi otomatis yang ada umumnya berat secara komputasi dan belum terintegrasi dengan penentuan tingkat keparahan. Penelitian ini bertujuan membandingkan kinerja arsitektur EfficientNetV2-S dan ResNet50 untuk klasifikasi jenis penyakit daun padi, serta menguji algoritma OpenCV dalam mengestimasi tingkat keparahannya. Sebanyak 2.569 citra daun dipra-pemrosesan dengan metode CLAHE dan augmentasi. Data tersebut dilatih menggunakan arsitektur Deep Learning, sedangkan segmentasi area infeksi dihitung melalui ruang warna HSV pada OpenCV. Hasil pengujian menunjukkan EfficientNetV2-S lebih unggul dengan akurasi 98% dan galat validasi 0,0414, dibandingkan ResNet50 yang mencapai akurasi 97% dan galat 0,0853. Selain itu, modul OpenCV berhasil mengkalkulasi rasio infeksi sesuai standar keparahan IRRI. Secara keseluruhan, model hibrida EfficientNetV2-S terbukti paling optimal dan berhasil diintegrasikan ke dalam purwarupa aplikasi web.