Perbandingan Klasifikasi Penyakit Daun Kentang Menggunakan Algoritma CNN Dengan Arsitektur Google Net dan VGG16

Kentang (Solanum tuberosum L.) merupakan komoditas hortikultura bernilai ekonomi tinggi di Indonesia. Produksinya sering terganggu oleh penyakit seperti busuk daun (late blight) yang disebabkan Phytophthora infestans dan bercak kering (early blight) oleh Alternaria solani. Deteksi dini sangat penting untuk mencegah penyebaran dan mengurangi risiko gagal panen. Penelitian ini membandingkan performa dua arsitektur Convolutional Neural Network (CNN), yaitu GoogLeNet (InceptionV3) dan VGG16, dalam mengklasifikasikan gambar daun kentang ke dalam tiga kategori: Early Blight, Late Blight, dan Healthy. Dataset terdiri dari 1.500 gambar yang telah melalui pra-pemrosesan (resizing, rescaling, dan augmentasi). Hasil pengujian menunjukkan GoogLeNet mencapai akurasi pelatihan 95% dan klasifikasi yang konsisten pada seluruh kelas. VGG16 mencapai akurasi 94%, dengan performa sedikit lebih baik dalam ketepatan kelas Early Blight. Namun, pelatihan model VGG16 memerlukan waktu lebih lama dibanding GoogLeNet. Walaupun selisih akurasi keseluruhan kecil, GoogLeNet dinilai lebih efisien dari segi waktu pelatihan serta konsistensi hasil. Kedua model menunjukkan potensi yang baik dalam deteksi penyakit daun kentang, dengan keunggulan masing-masing tergantung prioritas evaluasi yang diinginkan.

Kata Kunci: Penyakit Daun Kentang, CNN, GoogleNet, VGG16, Deep Learning, Klasifikasi Citra