Evaluasi Perbandingan Convolutional Neural Network dan Deep Learning Optimizer untuk Klasifikasi Penyakit pada Tanaman Mangga

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan penyakit pada tanaman mangga berdasarkan citra daun mangga menggunakan algoritma Convolutional Neural Network (CNN). Studi ini membandingkan kinerja optimizer yang berbeda, yaitu Adam, RMSprop, SGD, Adadelta, dan Adagrad, dengan epoch 10, 20, 30, 40, dan 50. Dataset berisi 2000 gambar daun mangga yang terkena penyakit Anthracnose, Gall Midge, Powdery Mildew, dan Sooty Mould yang digunakan untuk tujuan pelatihan dan evaluasi. Model CNN diimplementasikan dan dilatih menggunakan optimizer yang berbeda. Tujuannya adalah untuk menilai keakuratan setiap optimizer pada epoch yang berbeda. Hasil penelitian menunjukkan bahwa optimizer Adam mencapai akurasi tertinggi sebesar 96% pada epoch ke-30. RMSprop menunjukkan akurasi tertinggi sebesar 94% pada epoch ke-20 dan ke-30. SGD menghasilkan akurasi tertinggi 90% pada epoch ke-40. Adagrad mencapai akurasi tertinggi 80% pada epoch ke-40, sedangkan Adadelta mencapai akurasi tertinggi sebesar 50% pada epoch ke-40. Berdasarkan temuan tersebut, dapat disimpulkan bahwa model CNN yang memanfaatkan optimizer Adam memiliki performa terbaik, mencapai akurasi tertinggi sebesar 96% pada epoch ke-30. Penelitian ini menyoroti pentingnya pemilihan optimizer yang tepat untuk meningkatkan akurasi model klasifikasi pada penyakit tanaman mangga. Hasilnya dapat berkontribusi pada pengembangan sistem deteksi penyakit yang efisien, membantu petani dan peneliti dalam diagnosis dini dan pengelolaan penyakit tanaman mangga.