Klasifikasi Penyakit Tanaman Anggur Menggunakan Adaptive Minimal Ensemble

Abstract

Peningkatan produktivitas pertanian sangat bergantung pada kemampuan mendeteksi penyakit tanaman secara dini. Tanaman anggur, yang memiliki nilai ekonomi tinggi, sering menghadapi ancaman penyakit seperti downy mildew, powdery mildew, black rot, dan botrytis bunch rot. Metode deteksi penyakit tradisional, seperti inspeksi visual, memiliki beberapa keterbatasan, termasuk ketergantungan pada keahlian manusia, ketidakefisienan untuk area pertanian yang luas, dan ketidakakuratan dalam kondisi lapangan yang bervariasi. Selain itu, penyakit yang memiliki gejala serupa dan kualitas gambar yang terpengaruh oleh pencahayaan atau sudut pandang seringkali memperumit proses deteksi. Untuk mengatasi masalah ini, penelitian ini mengembangkan metode Adaptive Minimal Ensemble (AME), sebuah pendekatan machine learning berbasis arsitektur EfficientNet. AME secara adaptif menggabungkan kekuatan dua model terbaik untuk meningkatkan akurasi deteksi, sekaligus mengurangi kebutuhan sumber daya komputasi dibandingkan metode ensemble tradisional. Proses penelitian melibatkan pelatihan model pada dua jenis dataset: dataset Original (4062 gambar) dan dataset Augmented (4639 gambar). Data ini dibagi untuk pelatihan (60%), validasi (20%), dan pengujian (20%) menggunakan skema end-to-end dan fine-tuning. Hasil penelitian menunjukkan bahwa AME menghasilkan performa superior dibandingkan model EfficientNet B7 dan EfficientNet B0 secara individual. Pada dataset Augmented, AME mencapai akurasi pengujian tertinggi sebesar 99,35% dengan test loss terendah sebesar 0,0238. Sementara pada dataset Original, AME mencatatkan akurasi sebesar 98,32%. Performa ini dicapai dengan hanya menggunakan sekitar 10 juta parameter, jauh lebih efisien dibandingkan EfficientNet B7 yang memiliki 66 juta parameter.