<![CDATA[Penyakit tanaman merupakan ancaman serius bagi ketahanan pangan global, sehingga deteksi dini yang akurat penting untuk meminimalkan kerugian panen. Perkembangan Convolutional Neural Networks (CNN) memungkinkan klasifikasi penyakit daun dengan akurasi tinggi, namun keterbatasan komputasi sering menghambat, terutama di negara berkembang. Untuk itu, dibutuhkan arsitektur CNN ringan namun andal yang dapat diimplementasikan pada cloud platform (CP) dengan sumber daya terbatas. Penelitian ini membandingkan tiga arsitektur CNN—MobileNetV3-Small, EfficientNetB0, dan ResNet-50—dengan pendekatan transfer learning dua tahap menggunakan teknik unfreeze-layer. Dataset yang digunakan adalah New Plant Diseases yang mencakup 85.486 citra dari 38 kelas dan 14 spesies dengan rasio 82:13:5. Eksperimen dilakukan pada cloud platform menggunakan pipeline replikatif dengan konfigurasi hyperparameter dan callback seragam. Hasil menunjukkan ResNet-50 meraih akurasi uji tertinggi (99,34%), MobileNetV3-Small sesuai untuk keterbatasan ekstrem (97,16%) namun memilik 9 kelas dengan performa di bawah 95%, sedangkan EfficientNetB0 menawarkan keseimbangan (98,92%) dengan hanya satu kelas bermasalah. Ini konsisten dengan studi sebelumnya yang mengadaptasi EfficientNetB0 (98,4%) serta variannya dengan Focal Loss (99,72%) dan ResNet-50 (95,1%) dengan subset New Plant Diseases 10 kelas dengan rasio 80:20. Temuan ini menegaskan trade-off akurasi–efisiensi lebih nyata, sekaligus memberi rekomendasi praktis pemilihan arsitektur CNN untuk sistem deteksi penyakit tanaman berbasis komputasi terbatas di negara berkembang.]]>
Copyrights © 2025
