Penerapan Metode Pruning pada Arsitektur ResNet-50 untuk Meningkatkan Kinerja Klasifikasi Penyakit Daun Jagung

Abstract

Deteksi dini penyakit pada daun jagung merupakan langkah penting dalam meminimalisir penurunan hasil panen dan mencegah kerugian pertanian. Penelitian ini bertujuan untuk melakukan klasifikasi penyakit daun jagung dengan menerapkan metode kompresi menggunakan teknik pruning yang diintegrasikan ke dalam algoritma Deep Learning dengan arsitektur ResNet-50. Data yang digunakan berupa citra daun jagung yang terbagi menjadi empat kelas, yaitu Bercak Daun, Daun Sehat, Hawar Daun, dan Karat Daun. Metode penelitian meliputi pengumpulan data, pra-pemrosesan citra, augmentasi data, penerapan Unstructured Pruning (L1-Norm) dan Structured Pruning (L2-Norm) dengan rasio pemangkasan 40%, 50%, 60%, dan 70%, proses pelatihan ulang (fine-tuning), serta evaluasi menggunakan Confusion Matrix dan efisiensi ukuran model. Hasil penelitian menunjukkan bahwa pada model baseline diperoleh tingkat akurasi sebesar 98,50% dengan ukuran 90 MB, sedangkan pada fokus Unstructured Pruning diperoleh konfigurasi terbaik pada rasio 60% dengan nilai akurasi 99.50% dan ukuran 42 MB, serta pada Structured Pruning diperoleh konfigurasi optimal dengan nilai akurasi 99,00% dan ukuran 45 MB pada rasio 50% yang mampu menggambarkan efektivitas kompresi model klasifikasi. Dengan demikian, hasil optimalisasi model yang diperoleh dapat memberikan performa klasifikasi penyakit daun jagung yang akurat dengan beban komputasi yang jauh lebih ringan. Early detection of corn leaf diseases is an important step in minimizing crop yield reduction and preventing agricultural losses. This study aims to classify corn leaf diseases by applying a compression method using pruning techniques integrated into the Deep Learning algorithm with the ResNet-50 architecture. The data used consists of corn leaf images divided into four classes, namely Gray Leaf Spot, Healthy, Northern Leaf Blight, and Common Rust. The research methods include data collection, image preprocessing, data augmentation, the application of Unstructured Pruning (L1-Norm) and Structured Pruning (L2-Norm) at pruning ratios of 40%, 50%, 60%, and 70%, the fine-tuning process, and evaluation using the Confusion Matrix and model size efficiency. The results show that the baseline model achieved an accuracy rate of 98.50% with a size of 90 MB. In the Unstructured Pruning focus, the best configuration was achieved at a 60% ratio with an accuracy of 99.50% and a size of 42 MB. Meanwhile, for Structured Pruning, the optimal configuration yielded 99.00% accuracy and a size of 45 MB at a 50% ratio, demonstrating the effectiveness of model compression for classification. Consequently, the obtained model optimization provides accurate classification performance for corn leaf diseases with a significantly lighter computational load.