<![CDATA[Penelitian ini bertujuan untuk meningkatkan akurasi pendeteksian penyakit daun tomat melalui kombinasi arsitektur Convolutional Neural Network (CNN) VGG-16 dan Multi-Layer Perceptron (MLP) dengan berbagai fungsi aktivasi. Dataset yang digunakan terdiri dari 1.000 gambar daun tomat, terbagi menjadi 10 kategori penyakit, termasuk Tomato Bacterial Spot, Early Blight, Late Blight, dan Tomato Mosaic Virus. Tiga model klasifikasi MLP diuji, masing-masing dengan fungsi aktivasi sigmoid, tanh, dan ReLU, menggunakan aplikasi Orange 3. Evaluasi dilakukan dengan metrik akurasi, presisi, dan recall melalui proses validasi silang 10-fold. Hasil menunjukkan bahwa fungsi aktivasi tanh (MLP-2) memberikan performa terbaik dengan akurasi, presisi, dan recall sebesar 0,797, diikuti oleh ReLU (MLP-3) dengan nilai 0,78, sedangkan sigmoid (MLP-1) mencatatkan performa terendah dengan akurasi 0,721. Analisis confusion matrix mengungkapkan bahwa kesalahan klasifikasi sering terjadi pada kelas dengan kemiripan visual, seperti Early Blight dan Late Blight. Model MLP-2 menunjukkan keunggulan dalam menangkap pola non-linear antar fitur, sementara MLP-3 menawarkan keseimbangan antara efisiensi dan akurasi. Kesimpulan menunjukkan bahwa kombinasi VGG-16 dan MLP dengan fungsi aktivasi tanh adalah pendekatan optimal untuk pendeteksian penyakit daun tomat. Penelitian ini memberikan kontribusi signifikan terhadap pengembangan sistem deteksi dini penyakit tanaman, yang berpotensi membantu peningkatan kualitas dan kuantitas produksi tomat. Teknik augmentasi data, optimasi parameter, dan pembobotan ulang kelas direkomendasikan untuk peningkatan performa lebih lanjut.]]>
Copyrights © 2024
