Deteksi Penyakit Daun Tanaman dengan Menggunakan VGG19 yang dilengkapi dengan Mekanisme Perhatian CBAM

Abstract

Deteksi penyakit daun tanaman memainkan peran penting dalam meningkatkan produktivitas pertanian. Studi ini mengusulkan penggunaan arsitektur VGG19 yang dikombinasikan dengan Convolutional Block Attention Module (CBAM) untuk meningkatkan akurasi klasifikasi penyakit daun pada tanaman pisang, jeruk, dan kentang. Dataset yang digunakan diperoleh dari Kaggle, dengan perbandingan antara model VGG19 standar dan VGG19 yang dilengkapi dengan CBAM. Model-model tersebut dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa integrasi CBAM secara signifikan meningkatkan akurasi model, dengan model CBAM mencapai akurasi 96% pada daun pisang, 97% pada daun kentang, dan 71% pada daun jeruk, dibandingkan dengan model tanpa CBAM yang hanya memperoleh masing-masing 94%, 96%, dan 50%. Selain itu, implementasi sistem berbasis web menggunakan Flask memungkinkan klasifikasi penyakit daun secara real-time. Sebagai langkah selanjutnya, dapat dieksplorasi penggunaan group convolution untuk mengurangi kompleksitas komputasi dan mempercepat pelatihan model, serta penerapan ghost convolution untuk meningkatkan efisiensi ekstraksi fitur dengan parameter yang lebih rendah, yang dapat mempercepat inferensi dan meningkatkan performa model dalam menangani dataset yang lebih besar. Plant leaf disease detection plays a crucial role in increasing agricultural productivity. This study proposes the use of the VGG19 architecture combined with the Convolutional Block Attention Module (CBAM) to improve the classification accuracy of leaf diseases in banana, citrus, and potato plants. The dataset used was obtained from Kaggle, with a comparison between the standard VGG19 model and the VGG19 equipped with CBAM. The models were evaluated using accuracy, precision, recall, and F1-score metrics. The experimental results showed that the CBAM integration significantly improved the model accuracy, with the CBAM model achieving 96% accuracy on banana leaves, 97% on potato leaves, and 71% on citrus leaves, compared to the model without CBAM which only achieved 94%, 96%, and 50%, respectively. Furthermore, the web-based system implementation using Flask enabled real-time leaf disease classification. As a next step, we can explore the use of group convolution to reduce computational complexity and speed up model training, as well as the application of ghost convolution to improve the efficiency of feature extraction with lower parameters, which can speed up inference and improve model performance in handling larger datasets.