Peningkatan Akurasi Deteksi Penyakit Daun Kopi Menggunakan Squeezenet Dan Simam

Abstract

Deteksi dini terhadap penyakit daun kopi seperti leaf rust dan Phoma sangat penting karena berdampak langsung pada produktivitas dan kualitas hasil panen. Penelitian terbaru menunjukkan bahwa arsitektur CNN ringan seperti SqueezeNet cukup efektif untuk diterapkan pada perangkat dengan keterbatasan komputasi, namun masih memiliki keterbatasan dalam hal akurasi untuk klasifikasi penyakit yang kompleks. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi penyakit daun kopi dengan menggabungkan arsitektur SqueezeNet dan modul perhatian SimAM yang mampu memperkuat representasi fitur penting tanpa menambah kompleksitas model secara signifikan. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimental, memanfaatkan dataset citra daun kopi dari sumber terbuka yang telah melalui proses augmentasi dan dibagi menjadi tiga kelas: daun sehat, leaf rust, dan Phoma. Evaluasi model dilakukan dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa integrasi SimAM ke dalam SqueezeNet meningkatkan akurasi dari 81% menjadi 84%. Peningkatan performa paling signifikan ditemukan pada kelas leaf rust dan Phoma dengan peningkatan F1-score masing-masing dari 0,70 ke 0,79 dan dari 0,73 ke 0,76. Selain itu, nilai AUC juga meningkat menjadi 0,91. Dengan demikian, integrasi SimAM terbukti efektif dalam meningkatkan performa klasifikasi, meskipun masih terdapat tantangan dalam membedakan kelas dengan fitur visual yang serupa. Penelitian selanjutnya disarankan untuk menerapkan augmentasi data yang lebih agresif dan teknik regularisasi guna meningkatkan kemampuan generalisasi model. Early detection of coffee leaf diseases such as leaf rust and Phoma is essential due to its direct impact on crop productivity and quality. Recent studies have shown that lightweight CNN architectures like SqueezeNet are effective for deployment on resource-constrained devices, though they still face limitations in classification accuracy for complex disease types. This study aims to improve the accuracy of coffee leaf disease classification by integrating the SqueezeNet architecture with the SimAM attention module, which enhances feature representation without significantly increasing model complexity. A quantitative experimental approach was used, employing an open-source dataset of coffee leaf images that was augmented and categorized into three classes: healthy leaves, leaf rust, and Phoma. The models were evaluated using accuracy, precision, recall, and F1-score metrics. Results show that integrating SimAM into SqueezeNet increased the model’s accuracy from 81% to 84%. The most significant improvements were observed in the leaf rust and Phoma classes, with F1-scores rising from 0.70 to 0.79 and from 0.73 to 0.76, respectively. Additionally, the AUC score improved to 0.91. These results demonstrate that SimAM integration effectively enhances classification performance, though challenges remain in distinguishing classes with visually similar features. Further research is recommended to implement more aggressive data augmentation and regularization techniques to improve model generalization.