Deteksi Penyakit Daun Pisang Menggunakan Resnet 152 dengan Mekanisme Perhatian CBAM

Abstract

Dengan mengintegrasikan CBAM (Convolutional Block Attention Module) ke dalam arsitektur ResNet-152 sebagai upaya untuk meningkatkan ketepatan deteksi penyakit pada daun pisang merupakan tujuan dari penelitian ini. Dataset yang terdiri dari 4000 gambar daun pisang yang dikelompokkan ke dalam empat kategori yaitu healthy, cordana, pestalotiopsis, dan sigatoka telah digunakan untuk melatih model. Pembagian data dibagi menjadi tiga: train, val dan test. Hasil dari evaluasi menunjukkan bahwa performa model ResNet-152 tanpa CBAM hanya mencapai akurasi sebesar 61.31%, presisi 62.29%, recall 61.28%, serta F1-score sebesar 61.24%. Namun setelah CBAM diintegrasikan ke dalam model tersebut, performa meningkat secara signifikan menjadi akurasi sebesar 98.99%, presisi 99.04%, recall 98.99%, dan F1-score sebesar 99.00%. Model ini di deploy ke dalam aplikasi web dan mobile untuk mendeteksi penyakit pada daun pisang secara real-time dengan hasil hampir mendekati nilai maksimum pada ROC-AUC untuk semua kelasnya. Namun, beberapa masalah seperti overvitting, dataset yang terbatas, dan konsumsi daya komputasi yang tinggi perlu diatasi. Penelitian selanjutnya disarankan menggunakan arsitektur yang lebih simpel seperti MobileNet, meningkatkan variasi lebih lanjut dalam dataset, dan penyesuaian model yang lebih baik untuk implementasi praktis di lapangan This study aimed to integrate the Convolutional Block Attention Module (CBAM) into the ResNet-152 architecture to improve the accuracy of banana leaf disease detection. A dataset of 4,000 banana leaf images grouped into four categories: healthy, cordana, pestalotiopsis, and sigatoka was used to train the model. The data was divided into three parts: train, val, and test. The evaluation results showed that the ResNet-152 model's performance without CBAM only achieved 61.31% accuracy, 62.29% precision, 61.28% recall, and 61.24% F1-score. However, after CBAM was integrated into the model, performance significantly improved to 98.99% accuracy, 99.04% precision, 98.99% recall, and 99.00% F1-score. This model was deployed into a web and mobile application to detect banana leaf diseases in real time, with results approaching the maximum ROC-AUC value for all classes. However, several issues, such as overfitting, limited dataset, and high computational power consumption, need to be addressed. Future research is recommended to use simpler architectures such as MobileNet, further increase the variation in the dataset, and fine-tune the model for practical field implementation.