IDENTIFIKASI PENYAKIT PADA DAUN BIBIT KELAPA SAWIT DENGAN METODE DEEP LEARNING MENGGUNAKAN ARSITEKTUR RESNET-34
Kelapa sawit dengan nama latin Elaeis guinensis Jacq merupakan komoditas unggulan di Indonesia yang memiliki nilai ekonomi tinggi, namun pada tahap pembibitan seringkali terjadi masalah penyakit daun seperti bercak, berkerut, menggulung, menguning, dan berputar. Penanganan manual melalui observasi gejala cenderung memakan waktu, kurang akurat, dan berpotensi menghambat produktivitas. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit daun bibit kelapa sawit menggunakan pendekatan Deep Learning dengan arsitektur ResNet-34. Dataset yang digunakan pada penelitian terdiri dari 884 citra daun dengan lima kelas panyakit yang diambil secara langsung dari PT. Perkebunan Nusantara IV Regional 7 Bekri. Proses pelatihan melibatkan hyperparameter tuning dengan learning rate (0.01, 0.001, 0.0001), batch size (16, 32), epoch (10, 15), dan algoritma optimasi Adam dan SGD. Hasil pengujian menunjukkan model ResNet-34 dengan learning rate 0.01, batch size 16, epoch 15, dan algoritma optimasi SGD mencapai akurasi validasi tertinggi sebesar 94.57%. Evaluasi menggunakan confusion matrix menunjukkan bahwa model memperoleh nilai precision dengan rata-rata sebesar 96%, nilai recall dengan rata-rata sebesar 95%, dan nilai f1-score dengan rata-rata sebesar 96%. Temuan ini membuktikan bahwa model deep learning dengan arsitektur ResNet-34 efektif dalam mengidentifikasi penyakit daun bibit kelapa sawit dengan nilai akurasi yang cukup tinggi.
URI
https://repo.itera.ac.id/depan/submission/SB2505260022
Keyword
Identifikasi Penyakit Deep Learning ResNet-34 Hyperparameter Tuning