<![CDATA[Tanaman tebu merupakan komoditas perkebunan strategis yang produktivitasnya kerap terancam oleh serangan penyakit daun.Identifikasi penyakit secara visual manual masih banyak digunakan di lapangan, namun pendekatan ini memakan waktu lama,bersifat subjektif, dan rentan terhadap kesalahan. Deep learning menawarkan solusi otomatisasi klasifikasi penyakit tanaman,tetapi studi yang membandingkan secara komprehensif trade-off antara akurasi dan efisiensi komputasi antararsitektur masihterbatas jumlahnya. Penelitian ini bertujuan menganalisis secara komparatif kinerja DenseNet-121, ConvNeXt-Tiny, danYOLOv11s-CLS dalam mengklasifikasikan delapan kelas kondisi daun tanaman tebu. Metode penelitian menggunakan datasetgabungan sebanyak 4.075 citra yang dibagi secara stratified dengan rasio 70:15:15, serta pendekatan transfer learning berbasisImageNet pada ketiga arsitektur. Evaluasi dilakukan pada tiga dimensi, yaitu kinerja klasifikasi, kemampuan generalisasi, danefisiensi komputasi. Hasil pengujian menunjukkan DenseNet-121 memperoleh accuracy tertinggi sebesar 93,14% dan F1-score macro 91,09%, ConvNeXt-Tiny unggul pada precision macro sebesar 92,59%, sedangkan YOLOv11s-CLS mencatatkanaccuracy 92,81% dengan jumlah parameter, ukuran model, FLOPs, dan waktu inferensi terendah yaitu 4,70 milidetik sertageneralization gap terkecil sebesar 0,0027. Penelitian ini menyimpulkan bahwa DenseNet-121 sesuai untuk skenario yangmemprioritaskan akurasi, sedangkan YOLOv11s-CLS direkomendasikan sebagai model dengan keseimbangan performa danefisiensi terbaik untuk implementasi pada perangkat berdaya komputasi terbatas.]]>
Copyrights © 2026
