<![CDATA[Penelitian ini bertujuan menganalisis performa model klasifikasi berbasis arsitektur VGG16 dengan pendekatan transfer learning dalam mengklasifikasikan penyakit daun tanaman jagung ke dalam empat kelas: Gray Leaf Spot, Common Rust, Northern Leaf Blight, dan Healthy. Hyperparameter tuning dilakukan menggunakan metode Grid Search yang mengeksplorasi kombinasi tiga parameter, yaitu learning rate (0,001 dan 0,0005), batch size (16 dan 32), dan dropout rate (0,3 dan 0,5), menghasilkan delapan kombinasi pada setiap rasio pembagian data. Eksperimen dijalankan pada lima variasi rasio data latih-uji (50:50, 60:40, 70:30, 80:20, dan 90:10) sehingga total terdapat 45 skenario eksperimen. Hasil menunjukkan bahwa Grid Search berhasil meningkatkan performa model pada empat dari lima rasio yang diuji. Akurasi dan F1-score terbaik secara keseluruhan dicapai pada rasio 60:40 menggunakan kombinasi learning rate 0,0005, batch size 32, dan dropout rate 0,3, yaitu sebesar 93,67% dan 93,74%. Dropout rate 0,3 secara konsisten menjadi konfigurasi optimal pada seluruh rasio, sementara kelas Gray Leaf Spot secara konsisten memperoleh F1-score terendah (88-89%) akibat kemiripan visual dengan Northern Leaf Blight. Hyperparameter tuning secara sistematis terbukti lebih efektif dibandingkan penggunaan parameter default dalam meningkatkan performa klasifikasi penyakit daun jagung berbasis citra.Kata Kunci: VGG16; Transfer Learning; Grid Search; Hyperparameter Tuning; Penyakit Daun Jagung]]>
Copyrights © 2026
