<![CDATA[Penelitian ini bertujuan untuk membandingkan kinerja metode Convolutional Neural Network (CNN) dalam mendeteksi dan mengklasifikasikan penyakit pada daun tanaman anggur, serta mengukur tingkat akurasi dari masing-masing model CNN dengan cara membandingkan tiga optimizer. Dataset daun tanaman anggur yang terinfeksi penyakit digunakan dan diproses dengan teknik augmentasi data. Model CNN yang diterapkan menggunakan arsitektur DenseNet-121 dengan transfer learning dan diuji dengan berbagai optimizer: RMSprop (Root Mean Square Propagation), Adam, dan SGD (Stochastic Gradient Descent) pada 3 nilai learning rate yang berbeda. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa bahwa akurasi tertinggi diperoleh pada learning rate 0.001, dengan Adam sebagai optimizer terbaik yang mencapai akurasi 99.45%. Secara umum, semua optimizer menunjukkan performa optimal pada learning rate 0.1 dan 0.001 dengan akurasi di atas 99%, sementara penurunan akurasi terjadi pada learning rate 0.00001, yang mencapai sekitar 97.73% untuk semua optimizer. Temuan ini menegaskan bahwa pemilihan learning rate yang tepat berperan penting dalam meningkatkan akurasi CNN dalam tugas klasifikasi.]]>
Copyrights © 2025
