Analisis Komparasi Arsitektur Efficientnet v2-s Dan Resnet50 Dalam Klasifikasi Jenis Dan Tingkat Keparahan Penyakit Daun Padi

Penurunan produksi padi akibat penyakit daun memerlukan sistem deteksi dini yang akurat dan ringan untuk diimplementasikan. Penelitian ini bertujuan membandingkan kinerja arsitektur Deep Learning EfficientNetV2-S dan ResNet50 dalam klasifikasi penyakit daun padi (Blas, Bercak Coklat, Hawar Daun Bakteri, dan Sehat), serta menguji algoritma OpenCV (ruang warna HSV) untuk estimasi tingkat keparahan penyakit. Sebanyak 2.569 citra digunakan setelah melalui pra-pemrosesan menggunakan metode CLAHE dan augmentasi. Pengujian pada data uji menunjukkan model EfficientNetV2-S lebih unggul dan stabil dengan akurasi 98% dan F1-Score 0,98, dibandingkan ResNet50 yang mencapai akurasi 97% dan F1-Score 0,97. EfficientNetV2-S mencatat tingkat galat (validation loss) yang lebih rendah yakni 0,0414 berbanding 0,0853. Di sisi lain, modul OpenCV berhasil menghitung rasio area infeksi untuk penentuan tingkat keparahan sesuai standar IRRI, meski memiliki sedikit kerentanan terhadap bias warna latar belakang. Hasil evaluasi secara keseluruhan merekomendasikan EfficientNetV2-S sebagai arsitektur terbaik karena memiliki keseimbangan antara akurasi tinggi dan efisiensi komputasi, serta telah berhasil diintegrasikan dengan algoritma pengolahan citra ke dalam purwarupa aplikasi web hibrida.

Kata Kunci: computer vision, deep learning, efficientnetv2-s, opencv, penyakit padi, resnet50