Mobilenetv3 dengan Cbam untuk Klasifikasi Penyakit Daun Kentang

Abstract

Penelitian ini bertujuan untuk mengoptimalkan model MobileNetv3 dengan Convolutional Block Attention Module (CBAM) untuk klasifikasi penyakit pada daun kentang. MobileNetv3 adalah arsitektur jaringan saraf ringan yang dirancang agar efisien dalam penggunaan sumber daya, sementara CBAM berfungsi untuk meningkatkan kemampuan model dalam mengekstrak informasi yang relevan dari data masukan. Penelitian ini terdiri dari dua teknik penerapan CBAM: pertama, penerapan pada blok tertentu setelah modul Squeeze and Excitation (SE), dan kedua, penggantian modul SE bawaan MobileNetv3 dengan CBAM. Melalui enam skenario eksperimen yang dibedakan berdasarkan arsitektur model (MobileNetv3-Small dan MobileNetv3-Large) dan jenis modul perhatian yang diterapkan, analisis menunjukkan bahwa model dengan integrasi CBAM secara signifikan meningkatkan kinerja. Model MobileNetv3-Large yang menggunakan CBAM mencapai akurasi tertinggi hingga 96,67%, dengan F1-Score 96,62%, meningkat drastis dibandingkan skenario tanpa modul perhatian, yang hanya mencapai akurasi 56,33%. Temuan ini menegaskan bahwa CBAM tidak hanya meningkatkan akurasi klasifikasi, tetapi juga memiliki potensi untuk diterapkan dalam pengembangan sistem pemantauan otomatis di bidang pertanian. Dengan demikian, penelitian ini dapat membantu petani dalam melakukan identifikasi dini penyakit kentang, yang merupakan langkah penting dalam pengelolaan pertanian yang lebih efisien dan berkelanjutan, serta berkontribusi pada peningkatan hasil panen secara keseluruhan. This study aims to optimize the MobileNetv3 model with the Convolutional Block Attention Module (CBAM) for potato leaf disease classification. MobileNetv3 is a lightweight neural network architecture designed to be efficient in resource usage, while CBAM serves to improve the model's ability to extract relevant information from input data. This study consists of two CBAM implementation techniques: first, applying it to a specific block after the Squeeze and Excitation (SE) module, and second, replacing the default SE module of MobileNetv3 with CBAM. Through six experimental scenarios distinguished by model architecture (MobileNetv3-Small and MobileNetv3-Large) and the type of attention module applied, the analysis shows that the model with CBAM integration significantly improves performance. The MobileNetv3-Large model using CBAM achieved the highest accuracy of up to 96.67%, with an F1-Score of 96.62%, a drastic increase compared to the scenario without the attention module, which only achieved an accuracy of 56.33%. These findings confirm that CBAM not only improves classification accuracy but also has the potential to be applied in the development of automated monitoring systems in agriculture. Thus, this research can help farmers in early identification of potato diseases, which is an important step in more efficient and sustainable agricultural management, and contributes to increasing overall crop yields.