Klasifikasi penyakit tanaman bunga mawar merupakan salah satu kunci
peningkatan populasi tbunga mawar, memberikan pengetahuan yang bermanfaat
tentang laju pertumbuhan dan perkembangan, serta budidaya tanaman bunga
mawar. Metode identifikasi dan klasifikasi penyakit tanaman mawar dilakukan
secara manual dan tradisional yang memakan waktu lama. Oleh karena itu,
pendekatan otomatis diperlukan untuk hemat biaya dan waktu sehinga proses cepat.
Convolutional Neural Networks(CNN) adalah salah satu metode kecerdasan buatan
yang dapat menganalisis pemrosesan gambar. Dalam Ilmu Pertanian,
Convolutional Neural Networks telah digunakan untuk klasifikasijenis tanaman
bunga menggunakan gambar. Dalam penelitian ini digunakan metode
Convolutional Neural Networks dengan model transfer learning. Model yang
digunakan ialah model arsitektur VGG16 dan Resnet50 yang diuji menggunakan
optimizer Adam dan RMSPRop dengan variasi epoch 50 dan 100 yang bertujuan
agar mendapatkan hasil yang efisien dan akurasi yang tinggi. Dataset yang
digunakan adalah 4342 data citra daun mawar dalam format png yang terdiri dari 3
jenis yaitu black spot, downy mildew, dan fresh leaf. Penelitian ini menggunakan
perbandingan pelatihan 80%, 10% validasi, dan 10% pengujian dengan dilakukan
komputasi pemrosesan citra oleh GPU dari Google Colab Pro. Hasil performa
model yang terbaik dalam pengujian menggunakan model transfer learning adalah
ResNet50 dengan epoch 100 menggunakan optimizer adam, learning rate 0,0001
dan batch size 32 dan dropout 0,5. Model ResNet50 yang dihasilkan memiliki nilai
akurasi 100%, loss 1,486x10
-5 dan skor F1 mencapai 1,00 dari klasifikasi 3 jenis
kelas penyakit tanaman bunga mawar. Sedangkan pada model arisektur VGG16
didapatkan model terbaik dengan epoch 100 menggunakan optimizer RMSProp
dengan learning rate 0,0001 dan batch size 32 serta dropout 0,5. Model tersebut
memiliki nilai akurasi 99,77%, loss 0,0549 dan skor F1 sebesar 0,99. Dalam
penelitian ini, model arsitektur ResNet50 lebih unggul dibandingkan model
arsitektur VGG16 karena ResNet50 menghasilkan nilai akurasi yang lebih cepat
dibandingkan VGG16. Selain itu, penambahan nilai epoch mempengaruhi tingkat
akurasi yang dihasilkan.