PERBANDINGAN KINERJA MODEL ENSEMBLED TRANSFER LEARNING PADA KLASIFIKASI PENYAKIT DAUN TOMAT

Abstract

Tomat merupakan salah satu sayuran yang umum dikonsumsi di dunia. Produksi tomat di Indonesia sendiri sangat luar biasa, pada tahun 2021 produksi tomat mencapai 1.035.475 (ton). Dan konsiumsi tomat di Indonesia mencapai 1.053.249 (ton), artinya tomat menjadi salah satu buah yang sangat dibutuhkan di Indonesia. Namun karena kebutuhan yang tinggi seringkali terjadi kenaikan harga yang signifikan pada tomat. Hal ini dikarenakan berbagai jenis penyakit yang menghambat produksi tanaman tomat. Oleh karena itu dibutuhkan sebuah metode yang dapat mengidentifikasi penyakit tanaman tomat dengan hasil yang optimal. Metode yang digunakan adalah Deep Learning dengan menggunakan algoritma Convolutional Neural Network (CNN) beserta arsitektur InceptionV3, Xception dan VGG16. Untuk meningkatkan performa model dapat digunakan metode Ensembled Stacking. Penelitian dilakukan dengan 700 data citra penyakit daun tomat yang terbagi menjadi 7 kelas. Dari tiga arsitektur yang digunakan, model Xception mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 95%. Untuk model InceptionV3 mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 91%. Dan untuk model VGG16 mendapatkan akurasi training sebesar 87% dan akurasi validation sebesar 90%. Selanjutnya digunakan metode Ensembled Stacking untuk meningkatkan performa model. Hasil dari metode ini lebih baik dibandingkan tiga model arsitektur sebelumnya dengan mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 99%.