Analisis Kinerja ResNet-50 dalam Klasifikasi Penyakit pada Daun Kopi Robusta

Abstract

Indonesia merupakan negara agraris yang banyak ditanami tumbuhan salah satunya yaitu tanaman kopi. Dalam budidaya tanaman kopi terdapat halangan seperti hama dan cuaca ekstrim yang bisa membuat tanaman layu atau terkena penyakit. Dengan kemajuan teknologi yang pesat di masa kini, banyak sistem yang membantu para petani untuk membantu mengidentifikasi penyakit pada daun kopi. Sistem ini menggunakan teknologi salah satu arsitektur Convolutional Neural Network, yaitu ResNet-50 untuk mengidentifikasi dan mengklasifikasi penyakit pada daun kopi robusta. Dalam melatih model ResNet-50 diperlukan proses pelatihan dan validasi model yang kemudian model yang telah dilatih akan dilakukan pengujian. Pengujian model akan digunakan untuk mengukur kinerja model yang akan dihitung dengan menggunakan Confusion Matrix yang variabel output nya akan digunakan untuk menghitung Akurasi, presisi, recall, Spesifisitas, dan F1 Score. Penelitian ini akan berfokus pada perhitungan nilai kinerja akurasi dan F1 Score dari model tersebut. Penelitian dilakukan dengan dua kasus yaitu binary class dan multiclass dimana binary class untuk mengklasifikasi gambar daun kopi robusta sehat dan sakit dan multiclass untuk mengklasifikasikan gambar daun kopi robusta pada setiap jenis kategori dari daun yang berpenyakit dan sehat. Hasil dari penelitian menunjukan pada kasus binary class mencapai akurasi 92,68% dan f1-score mencapai 92,88%, sedangkan pada kasus multiclass akurasi hanya mencapai 88,98% dan f1-score mencapai 88,44%. Kedua kasus tersebut diukur menggunakan data testing dengan model yang telah dilatih.