<![CDATA[Penyakit daun padi menjadi salah satu penyebab utama menurunnya produktivitas padi di Indonesia sehingga diperlukan pendekatan deteksi yang cepat dan akurat. Penelitian ini membandingkan performa dua strategi pelatihan pada arsitektur EfficientNet-B0, yaitu pre-trained yang membekukan seluruh lapisan base model dan fine-tuned yang melatih ulang keseluruhan parameter, untuk mengklasifikasikan enam kelas citra daun padi meliputi Bacterial Leaf Blight, Brown Spot, Healthy, Leaf Blast, Rice Hispa, dan Sheath Blight. Sebanyak 4.770 citra digunakan dengan pembagian 3.333 data training, 958 data validasi, dan 479 data testing. Konfigurasi hyperparameter terbaik diperoleh melalui empat tahap pengujian bertahap yang mencakup variasi batch size, epoch, learning rate, dan optimizer. Hasil evaluasi menunjukkan bahwa model pre-trained gagal total akibat fenomena class collapse dengan akurasi hanya 19,62% karena seluruh citra diprediksi pada satu kelas yang sama. Di sisi lain, model fine-tuned berhasil meraih akurasi 99,79% dengan f1-score sebesar 0,9981 pada data testing, di mana 478 dari 479 citra berhasil diklasifikasikan secara tepat. Hasil ini menegaskan bahwa proses fine-tuning memegang peranan kritis dalam mengadaptasi fitur EfficientNet-B0 terhadap domain penyakit daun padi.]]>
Copyrights © 2026
