<![CDATA[Penyakit tanaman menjadi tantangan utama dalam meningkatkan produktivitas pertanian dan ketahanan pangan. Teknologi deep learning, khususnya Convolutional Neural Networks (CNN), telah digunakan secara luas untuk mendeteksi penyakit tanaman melalui citra daun. Namun, efektivitas model CNN sering menurun saat dihadapkan pada data dengan distribusi berbeda dari data pelatihan awal (domain shift). Penelitian ini bertujuan meningkatkan akurasi klasifikasi penyakit tanaman menggunakan pendekatan transfer learning dengan model pralatih VGG16, ResNet50, dan DenseNet121 yang diadaptasi pada dataset PlantVillage. Selain itu, digunakan teknik augmentasi data baik secara manual (rotasi, flipping) maupun sintetis melalui Generative Adversarial Networks (GANs) untuk meningkatkan generalisasi model. Hasil evaluasi menunjukkan bahwa DenseNet121 memberikan performa terbaik dengan akurasi 95,2%, precision 0,94, recall 0,95, dan F1-score 0,94. Penggunaan augmentasi data terbukti meningkatkan kemampuan model dalam menghadapi variasi latar belakang dan pencahayaan, terutama pada dataset eksternal. Temuan ini menunjukkan bahwa kombinasi transfer learning dan augmentasi data mampu menghasilkan model klasifikasi yang lebih robust terhadap perbedaan domain dan lebih adaptif untuk implementasi pada kondisi lapangan yang nyata.]]>
Copyrights © 2025
