Penerapan CBAM Pada Xception Untuk Klasifikasi Penyakit Daun Tebu

Abstract

Penelitian ini mengkaji penerapan Convolutional Block Attention Module (CBAM) pada arsitektur Xception untuk klasifikasi daun tebu. CBAM dirancang untuk meningkatkan kemampuan model dalam memfokuskan perhatian pada fitur relevan dalam gambar, dan telah terbukti meningkatkan akurasi pada pengenalan objek dan klasifikasi citra. Penelitian ini bertujuan untuk mengukur peningkatan akurasi dan kinerja model Xception setelah integrasi CBAM dalam klasifikasi lima kategori daun tebu : Healthy, Mosaic, RedRot, Rust dan Yellow. Pendekatan eksperimen dilakukan dengan membandingkan performa model Xception tanpa CBAM dan Xception dengan CBAM. Hasil yang diperoleh menunjukkan bahwa penerapan CBAM meningkatkan akurasi model dari 88.33% menjadi 92.89%, dengan peningkatan signifikan pada precision, recall dan F1-Score, terutama pada kategori Rust yang mencatatkan F1-Score tertinggi 98.90%. Namun, kategori Yellow masih menunjukkan precision yang lebih rendah, yang menunjukkan potensi untuk perbaikan lebih lanjut dalam mengenali fitur yang lebih kompleks atau mirip antar kategori. Meskipun CBAM terbukti efektif dalam meningkatkan kinerja klasifikasi, proses pelatihan memerlukan waktu yang cukup lama akibat kompleksitas perhitungan pada setiap lapisan konvolusi. Mengoptimalkan penerapan CBAM dapat dilakukan dengan menggunakan group convolution pada saat lapisan konvolusi dalam arsitektur Xception untuk mempercepat waktu komputasi. Penelitian ini mengkaji penerapan Convolutional Block Attention Module (CBAM) pada arsitektur Xception untuk klasifikasi daun tebu. CBAM dirancang untuk meningkatkan kemampuan model dalam memfokuskan perhatian pada fitur relevan dalam gambar, dan telah terbukti meningkatkan akurasi pada pengenalan objek dan klasifikasi citra. Penelitian ini bertujuan untuk mengukur peningkatan akurasi dan kinerja model Xception setelah integrasi CBAM dalam klasifikasi lima kategori daun tebu : Healthy, Mosaic, RedRot, Rust dan Yellow. Pendekatan eksperimen dilakukan dengan membandingkan performa model Xception tanpa CBAM dan Xception dengan CBAM. Hasil yang diperoleh menunjukkan bahwa penerapan CBAM meningkatkan akurasi model dari 88.33% menjadi 92.89%, dengan peningkatan signifikan pada precision, recall dan F1-Score, terutama pada kategori Rust yang mencatatkan F1-Score tertinggi 98.90%. Namun, kategori Yellow masih menunjukkan precision yang lebih rendah, yang menunjukkan potensi untuk perbaikan lebih lanjut dalam mengenali fitur yang lebih kompleks atau mirip antar kategori. Meskipun CBAM terbukti efektif dalam meningkatkan kinerja klasifikasi, proses pelatihan memerlukan waktu yang cukup lama akibat kompleksitas perhitungan pada setiap lapisan konvolusi. Mengoptimalkan penerapan CBAM dapat dilakukan dengan menggunakan group convolution pada saat lapisan konvolusi dalam arsitektur Xception untuk mempercepat waktu komputasi.