Analisis Arsitektur Deep Learning Mobilenet dalam Mengklasifikasi Hama Daun Jambu Madu

Abstract

Petani yang membudidayakan jambu madu memiliki masalah berupa hama yang menyerang pada daun. Klasifikasi hama dapat dilakukan dengan mengandalkan tenaga professional atau pengalaman kerja petani, namun membutuhkan waktu dan keahlian yang cukup tinggi, sehingga mempengaruhi efisiensi serta keberhasilan dalam pengendalian hama. Oleh karena itu, diperlukan pendekatan berbasis teknologi digital yang dapat membantu petani dalam mengklasifikasi jenis hama pada daun jambu madu sebagai tindakan pencegahan, sehingga penurunan produktivitas atau gagal panen dapat dihindari. Penelitian ini memanfaatkan metode Transfer Learning dengan arsitektur MobileNetV2 untuk klasifikasi hama pada daun jambu madu. Hasil dari uji coba pada penelitian ini menunjukkan bahwa metode Transfer Learning MobileNetV2 memiliki performa klasifikasi yang baik dan menghasilkan nilai akurasi tinggi sebesar 99.72% dengan menggunakan hyperparameter jumlah epoch 20, batch size 32, optimizer Adam, dan learning rate 0.01. Hasil akurasi dari model setelah di uji menggunakan data testing (40 citra per class) didapatkan hasil akurasi sebesar 100%, nilai presisi (precision) sebesar 100%, recall 100%, dan f1-score 100% pada masing masing class. The farmers who cultivate honey guava have a problem in the form of pests that attack the leaves. Classification of pests can be done by relying on professional staff orfarmer work experience, but it requires a high level of time and expertise, thus affecting efficiency and success in pest control. Therefore, a digital technology-based approach is needed that can help farmers classify types of pests on guava leaves as a preventive measure, so that decreased productivity or crop failure can be avoided. This study utilized the Transfer Learning method with the MobileNetV2 architecture for classifying pests on honey guava leaves. The results of the trials in this study indicate that the Transfer Learning MobileNetV2 method has good classification performance and produces a high accuracy value of 99.72% using the hyperparameter epoch number 20, batch size 32, Adam optimizer, and learning rate 0.01. The results of the accuracy of the model after being tested using data testing (40 images per class) obtained results of 100% accuracy, 100% precision, 100% recall, and 100% f1-score for each class.