Penerapan Metode Pruning pada Arsitektur SqueezeNet untuk Meningkatkan Kinerja Klasifikasi Penyakit Daun Kelapa Sawit

Abstract

Arsitektur SqueezeNet dikenal efektif dengan jumlah parameter cukup banyak namun masih dapat dioptimalkan dengan metode pruning adalah teknik kompresi yang dapat mengurangi parameter model secara signifikan tanpa mengorbankan akurasi. Penelitian ini bertujuan untuk menerapkan metode pruning berbasis L2- Norm pada arsitektur SqueezeNet dan membandingkan kinerjanya akurasi dan efisiensi dengan model SqueezeNet default untuk klasifikasi empat kelas penyakit daun kelapa sawit. Penelitian menggunakan 4.000 dataset primer dibagi menjadi data latih (70%), validasi (20%) dan uji (10%). Arsitektur SqueezeNet dipangkas menggunakan pruning terstruktur L2-Norm dengan distribusi seragam pada rate 10% hingga 50% kemudian dilatih ulang. Hasil menunjukkan bahwa SqueezeNet default mencapai akurasi 97,50% dengan 724.548 parameter. Secara signifikan, pruning rate 10% justru meningkatkan akurasi menjadi 99,25% tertinggi sekaligus mengurangi parameter menjadi 579.036. Pruning yang terlalu agresif sebesar 40% menurunkan akurasi secara drastis menjadi 93,25%. Dapat disimpulkan bahwa pruning rate 10% adalah yang paling optimal membuktikan bahwa metode ini tidak hanya membuat SqueezeNet lebih ringan tetapi juga lebih efektif. Model hasil pruning 10% ini sangat cocok untuk implementasi aplikasi karena lebih efisien. Penelitian selanjutnya disarankan untuk melakukan validasi menggunakan dataset yang lebih beragam dan menguji model pada perangkat edge sesungguhnya. The SqueezeNet architecture is known to be effective but possesses a considerable number of parameters, which can be optimized using pruning a compression technique that significantly reduces model parameters without sacrificing accuracy. This research aims to apply the L2-Norm based pruning method to the SqueezeNet architecture and compare its performance (accuracy and efficiency) against the default SqueezeNet model for classifying four classes of oil palm leaf diseases. The study used a primary dataset of 4,000 images, divided into training (70%), validation (20%), and testing (10%) sets. The SqueezeNet architecture was pruned using L2-Norm structured pruning with a uniform distribution at rates from 10% to 50%, followed by fine-tuning. The results show that the default SqueezeNet achieved 97.50% accuracy with 724,548 parameters. Significantly, a 10% pruning rate actually increased the accuracy to a high of 99.25% while simultaneously reducing the parameters to 579,036. Overly aggressive pruning, such as 40%, drastically decreased accuracy to 93.25%. It is concluded that the 10% pruning rate is the most optimal, proving that this method not only makes SqueezeNet lighter but also more effective. This 10% pruned model is highly suitable for application implementation due to its enhanced efficiency. Future research is recommended to validate these findings using a more diverse dataset and to test the model on actual edge devices.