<![CDATA[Penelitian ini berfokus pada deteksi dini penyakit daun padi untuk meningkatkan produktivitas pertanian dan mengurangi kesalahan diagnosis yang sering terjadi pada identifikasi manual. Meskipun berbagai penelitian telah menerapkan deep learning untuk klasifikasi penyakit tanaman, pengaruh resolusi citra terhadap kinerja model klasifikasi penyakit daun padi, khususnya pada skenario data terbatas, masih jarang dikaji secara sistematis. Penelitian ini bertujuan menganalisis kinerja model klasifikasi penyakit daun padi berbasis transfer learning dengan arsitektur VGG16 pada citra beresolusi 224×224 piksel, sekaligus menilai efisiensi proses komputasi pelatihan dan pengujian yang dilakukan. Data yang digunakan berupa 320 citra daun padi dari dataset publik “Daun Padi Sultra (Sulawesi Tenggara)” di Kaggle yang komprehensif menjadi data latih, validasi, dan uji dengan perbandingan 60:20:20. Tahapan penelitian utama meliputi eksplorasi karakteristik dan distribusi data, pra-pemrosesan citra (pengubahan ukuran ke 224×224, normalisasi, dan augmentasi terbatas), serta pembangunan model transfer learning dengan VGG16 sebagai ekstraktor fitur yang membekukan dan kepala klasifikasi kustom. Model dibor menggunakan optimizer Adam dengan mekanisme EarlyStopping dan ModelCheckpoint, kemudian dievaluasi menggunakan akurasi, presisi, recall, F1-score, dan konfusi matriks. Hasil pengujian menunjukkan bahwa model mencapai akurasi uji sebesar 98,44% dengan loss 0,1815, serta nilai rata-rata makro dan rata-rata tertimbang untuk presisi, recall, dan F1-score yang mendekati 0,98 dengan hanya satu kesalahan klasifikasi pada data uji. Proses pelatihan dan penyelesaian dapat diselesaikan dengan beban komputasi yang masih moderat pada lingkungan GPU Google Colab, sehingga konfigurasi VGG16 dengan resolusi 224×224 piksel berpotensi menjadi baseline yang efektif dan efisien untuk klasifikasi penyakit daun padi pada skenario data terbatas.]]>
Copyrights © 2026
