Klasifikasi Citra Penyakit Daun pada Tanaman Cabai Merah Menggunakan Model Convolutionalneural Network dengan Arsitektur Vgg-16 dan Alexnet

Abstract

Arsitektur VGG-16 dan Alexnet merupakan model CNN yang terkenal karena keberhasilannya dalam kontes ImageNet Large Scale Visual Recognition Challenge, arsitektur ini menjadi model CNN yang mampu melakukan kontribusi besar terhadap perkembangan jaringan saraf konvolusional dan menjadi salah satu landasan bagi arsitektur-arsitektur lebih canggih yang diperkenalkan kemudian, model ini mampu memberikan kontribusi yang sangat baik dalam pengenalan gambar dengan menggunakan arsitektur yang mendalam. Penelitian ini ingin melakukan uji coba pelatihan dengan menentukan hasil akurasi dengan menggunakan metode evaluasi Confusion matrix F1-score dalam mengklasifikasi Penyakit daun cabai merah, data yang digunakan melalui pengambilan gambar langsung dengan pembagian data menjadi 3 yaitu Training, Testing dan Validasi untuk sampel data yang digunakan bercak, kekuningan, keriting,dan kutu kebul dengan pembagian 3600 data sampel 30% training, 30% testing, 40% validasi. Dalam hasil uji coba pelatihan ini, pada arsitektur VGG-16 berhasil pada pengujian epoch 10 mencapai tingkat akurasi sebesar 80%, dan pada pengujian epoch 20 mencapai 82% sementara AlexNet mencapai akurasi sebesar 48% pada pengujian epoch 10 dan pada epoch 20 mencapai 56%. Evaluasi model menggunakan confusion matrix dan F1-score memberikan wawasan lebih lanjut tentang kinerja klasifikasi pada setiap kategori penyakit daun pada cabai merah. Hasil pengujian dalam menentukan akurasi pada ke 2 arsitektur ini, VGG16 unggul dalam klasifikasi cabai merah dibandingkan dengan AlexNet. The VGG-16 and Alexnet architectures are well-known CNN models due to its success in the ImageNet Large Scale Visual Recognition contest Challenge, this architecture becomes a CNN model that is able to make a contribution has a big impact on the development of convolutional neural networks and is one of the the foundation for more sophisticated architectures introduced later, This model is able to provide an excellent contribution in recognition images using immersive architecture. This research wants carry out training trials by determining accuracy results with using the Confusion matrix F1-score evaluation method in classifying Red chili leaf disease, data used through taking pictures directly by dividing the data into 3, namely Training, Testing and Validation For the data samples used are spots, yellowish, curly, and whitefly with a distribution of 3600 sample data, 30% training, 30% testing, 40% validation. In the results of this training trial, the VGG-16 architecture was successful in testing epoch 10 achieved an accuracy level of 80%, and in epoch 20 testing achieved 82% while AlexNet achieved an accuracy of 48% in testing epoch 10 and at epoch 20 it reached 56%. Evaluate the model using confusion matrix and F1-score provide further insight into performance classification of each category of leaf disease on red chilies. Test results In determining accuracy on these 2 architectures, VGG16 excels red chili classification compared with AlexNet.