Implementasi Transfer Learning dan Multi-Channel CNN pada Penyakit Daun Padi

Abstract

Padi merupakan tanaman penghasil beras yang menjadi sumber makanan pokok di Indonesia. Produksi padi di Indonesia tahun 2021 mengalami penurunan sekitar 0,43% atau sebanyak 230.000 ton. Identifikasi penyakit daun padi merupakan salah satu solusi utama untuk meningkatkan produktivitas dan membantu dalam pemilihan pestisida. Salah satu metode yang dapat digunakan untuk mengidentifikasi adalah dengan melakukan metode klasifikasi menggunakan salah satu pendekatan dari artificial neural network yang banyak diterapkan pada pemrosesan citra yaitu Convolutional Neural Networks (CNN). Penelitian ini menggunakan model multi-channel berdasarkan two-channel CNN dan three-channelCNN dipadukan dengan model transfer learning dengan menggabungkan ResNet50, InceptionV3, Xception, dan VGG16 sebagai model dasar atau jaringan yang telah dilatih sebelumnya. Hasilnya, implementasi arsitektur transfer learning multi-channel CNN memiliki kinerja yang baik dengan akurasi training mencapai 100% dan akurasi testing masing-masing 95,83% pada dua dan tiga channel CNN. Nilai presisi, recall, dan f1-score pada model yang dihasilkan juga memiliki nilai di atas 0,85 hingga 1,0, dan nilai AUC pada kurva ROC untuk setiap kelas data citra penyakit padi yang digunakan mencapai 0,98 hingga 1,0. Secara umum, kinerja keseluruhan yang dihasilkan oleh model dari arsitektur pembelajaran transfer multichannel CNN lebih baik daripada model yang dihasilkan oleh arsitektur pembelajaran transfer sederhana.