Analisis Performa Arsitektur Mobilinetv2 dan Efficientnet-B6 Untuk Klasifikasi Penyakit Daun Padi

Padi merupakan komoditas pangan utama di Indonesia, namun produktivitasnya kerap terancam oleh berbagai jenis penyakit daun. Deteksi dini penyakit daun padi sangat penting untuk mencegah kerugian hasil panen yang signifikan. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa dari dua arsitektur Convolution Neural Network (CNN), yaitu MobilenetV2 dan Efficientnet-B6, dalam tugas klasifikasi penyakit daun padi. Dataset yang digunakan terdiri dari citra daun padi yang terbagi dalam beberapa kelas penyakit yaitu Bacterialblight, Blast, Brownspot, dan citra daun sehat. Proses pelatihan dilakukan dengan menggunakan pendekatan transfer learning serta menggunakan teknik augmentasi data untuk meningkatkan kemampuan generalisasi model. Evaluasi dilakukan dengan menggunakan metrik akurasi, precission, dan F1-score. Hasil eksperimen menunjukkan bahwa Mobilenetv2 memberikan nilai akurasi sebesar 0.94, precission 0.95, dan F1-score 0.94. Sementara itu, Efficientnet-B6 menghasilkan akurasi sebesar 0.41, precission 0.33, dan F1-score 0.35. Hal ini mengidentifikasikan bahwa meskipun Efficientnet-B6 memiliki arsitektur yang lebih kompleks, MobilenetV2 lebih unggul dalam kasus klasifikasi penyakit daun padi pada dataset ini, baik dari segi akurasi maupun ketepatan dalam klasifikasi citra penyakit daun padi.

Kata Kunci: Daun Padi, Efficientnet-B6, Klasifikasi Citra, MobilenetV2, Penyakit Tanaman.