Penerapan Model Arsitektur Efficientnetb5 Pada Klasifikasi Multi-Kelas Penyakit Tanaman Padi

Abstract

Padi merupakan komoditas pangan yang sangat penting di Indonesia, tetapi rentan terhadap berbagai penyakit yang bisa mengurangi hasil panen. Penyakit seperti bacterial blight, brown spot, dan leaf smut menyebabkan kerugian ekonomi yang cukup besar bagi para petani. Identifikasi penyakit secara manual memiliki keterbatasan, sehingga teknologi deep learning, khususnya menggunakan arsitektur EfficientNetB5, dianggap sebagai solusi yang tepat. Penelitian ini bertujuan untuk mengembangkan model klasifikasi multi-kelas penyakit padi yang didasarkan pada citra daun dengan tingkat akurasi yang tinggi. Hasil penelitian menunjukkan bahwa EfficientNetB5 memiliki kinerja yang lebih baik dibandingkan dengan arsitektur lain, dengan kontribusi yang signifikan dalam pengelolaan kesehatan tanaman padi. mengklasifikasi multi-kelas penyakit tanaman padi berdasarkan citra daun dengan menggunakan arsitektur EfficientNetB5. Pemilihan arsitektur tersebut tidak tanpa alasan, melainkan didasarkan pada penelitian-penelitian sebelumnya yang menunjukkan tingkat akurasi maksimal.EfficientNetB5 menghasilkan akurasi sebesar 97. 3% jika dibandingkan dengan DenseNet-161 yang menyimpulkan bahwa arsitektur EfficientNet versi B5 dan B6 memperoleh nilai akurasi yang sangat baik dengan total hasil pengujian sebanyak 99. 05% dan 99. 27%. akurasi EfficientNetB5 lebih tinggi dibandingkan EfficientNetB4 dengan skor akurasi mencapai 99. 97%. akurasi EfficientNetB5 juga lebih baik dibandingkan AlexNet, GoogleNet, VGGNet, ResNets, DenseNets, dan MobileNets dengan skor akurasi mencapai 99. 997%. Rice is a crucial food commodity in Indonesia, but it is susceptible to various diseases that can reduce yields. Diseases such as bacterial blight, brown spot, and leaf smut cause significant economic losses for farmers. Manual disease identification has limitations, so deep learning technology, specifically the EfficientNetB5 architecture, is considered an appropriate solution. This study aims to develop a multi-class classification model for rice diseases based on leaf images with a high level of accuracy. The results show that EfficientNetB5 outperforms other architectures, making a significant contribution to rice plant health management. This study aims to classify multi-class rice plant diseases based on leaf images using the EfficientNetB5 architecture. This architecture was chosen for a reason, based on previous studies demonstrating maximum accuracy. EfficientNetB5 achieved an accuracy of 97.3% compared to DenseNet-161, which concluded that the EfficientNet B5 and B6 architectures achieved excellent accuracy scores, with total test results of 99.05% and 99.27%, respectively. EfficientNetB5's accuracy is higher than EfficientNetB4, with an accuracy score of 99.97%. EfficientNetB5's accuracy is also superior to AlexNet, GoogleNet, VGGNet, ResNets, DenseNets, and MobileNets, with an accuracy score of 99.997%.