Komparasi CNN dan Pretrain ResNet50 pada Klasifikasi Penyakit Daun Kentang

Abstract

Penyakit daun kentang menjadi ancaman serius bagi produktivitas pertanian apabila tidak terdeteksi sejak dini. Penelitian ini membangun model Convolutional Neural Network (CNN) untuk mengklasifikasikan empat kondisi daun kentang, yaitu Early Blight, Late Blight, Leafroll Virus, dan Healthy, dan membandingkan performanya dengan ResNet50 berbasis transfer learning. Dataset bersumber dari gabungan PlantVillage (Kaggle), Potato Viral Disease Dataset (Mendeley Data), serta 423 citra hasil pengambilan mandiri di wilayah Banjarnegara menggunakan kamera smartphone, sehingga total dataset berjumlah 4.423 citra yang dibagi dengan rasio 70:15:15 untuk data latih, validasi, dan uji. Hasil pengujian pada data validasi menunjukkan bahwa CNN dan ResNet50 sama-sama mencapai akurasi 99,70%. Pada data uji yang sepenuhnya mandiri, CNN memperoleh akurasi 99,25% dengan loss 0,0214, sementara ResNet50 memperoleh akurasi 98,95% dengan loss 0,0326. Meskipun selisih akurasi relatif kecil (0,30%), CNN yang dibangun dari nol mampu mengungguli ResNet50 dari sisi test accuracy dan test loss. ResNet50 mencapai konvergensi lebih cepat (epoch ke-8) dibandingkan CNN (epoch ke-31), namun total waktu training CNN justru lebih singkat (36 menit) dibandingkan ResNet50 (39 menit) karena bobot ResNet50 yang jauh lebih besar memperlambat setiap epoch. Penelitian ini membuktikan bahwa CNN yang dirancang secara spesifik untuk domain penyakit daun kentang mampu memberikan performa yang sedikit lebih baik dibandingkan ResNet50.