Perpustakaan Digital ITB

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.