<![CDATA[Serangan hama tanaman merupakan salah satu faktor utama yang mendegradasi produktivitas padi (Oryza sativa) dan mengancam ketahanan pangan. Identifikasi hama secara konvensional oleh petani sering kali bersifat subjektif, lambat, dan rentan terhadap kesalahan diagnosis. Penelitian ini bertujuan untuk melakukan analisis perbandingan performa antara arsitektur deep learning efficientnet-B0 dan arsitektur berbasis residual block (ResNet-50) untuk klasifikasi hama padi otomatis berbasis visi komputer. Dataset yang digunakan mencakup lima kelas utama, yaitu Wereng Cokelat (Nilaparvata lugens), Ulat Grayak (Spodoptera frugiperda), Rice Hispa (Dicladispa armigera), Walang Sangit (Leptocorisa oratorius) dan Padi Sehat. Pendekatan transfer learning dengan bobot pre-trained dari ImageNet diterapkan untuk mengoptimalkan proses pelatihan pada kondisi data yang terbatas, dikombinasikan dengan teknik augmentasi gambar on-the-fly untuk menyimulasikan kompleksitas latar belakang lahan persawahan. Hasil eksperimen terkontrol menunjukkan bahwa EfficientNet-B0 memberikan performa yang jauh lebih unggul dengan pencapaian akurasi validasi tertinggi sebesar 97,25% dan F1-score 97,65%, dibandingkan ResNet-50 yang hanya mencapai akurasi 95,85%. Inovasi Compound Scaling pada EfficientNet-B0 terbukti efektif dalam mempertahankan fitur-fitur spasial mikro morfologi serangga sekaligus menekan tingkat misklasifikasi antarspesies hingga di bawah 3%. Selain unggul dalam akurasi, efficientnet-B0 menghasilkan ukuran file model akhir yang jauh lebih ringkas, yaitu 25 MB, berbanding terbalik dengan ResNet-50 yang mencapai 98 MB. Penelitian ini menyimpulkan bahwa efficientnet-B0 merupakan arsitektur yang paling optimal untuk diintegrasikan ke dalam sistem pertanian pintar (smart farming) karena menawarkan keseimbangan terbaik antara akurasi tinggi dan efisiensi memori.]]>
Copyrights © 2026
