Optimalisasi Model CNN EfficientNet-B0 dengan Fine Tuning untuk Klasifikasi Penyakit Buah Jeruk

Abstract

Jeruk merupakan tanaman yang rentan terkena penyakit, yang tanda penyakit tersebut dapat dilihat dari corak kulit jeruk tersebut. Virus-virus yang menyerang buah jeruk menjadi penyebab paling tinggi bagi para petani buah jeruk yang hanya mengandalkan ahli tanaman untuk melakukan pemeriksaan tanaman tersebut. Artificial Intelligent (AI) sudah diterapkan pada bidang kedokteran, peternakan, bahkan pertanian. Salah satu dari implementasi AI tersebut adalah Deep Learning. Salah satu Model Deep Learning dalam pengenalan citra yakni Convolutional Neural Network (CNN). Peneliti akan menggunakan arsitektur EfficientNet-B0 yang menyesuaikan banyaknya dataset yang dipakai, yakni sebanyak 986 data dengan beberapa skenario. Skenario yang digunakan yakni pembagian 90:10, 80:20, dan 70:30. Maka dari itu, peneliti berharap bahwa model EfficientNet-B0 masih dapat ditingkatkan lagi dengan membandingkannya dengan fine tuning. Secara keseluruhan, dapat disimpulkan bahwa penerapan teknik fine-tuning pada model pre-trained EfficientNet-B0 terbukti efektif dalam meningkatkan tingkat akurasi model pada seluruh skenario yang diuji. Hasil dari pengujian Teknik fine-tuning pada skenario pembagian data 80% data training dan 20% data validation, model dengan fine-tuning mencapai akurasi tertinggi sebesar 0.9878 dengan nilai loss terendah sebesar 0.0904, yang lebih baik dibandingkan dengan model tanpa fine-tuning yang hanya menghasilkan akurasi 0.9600 dengan nilai loss 0.1199. Peningkatan ini menunjukkan bahwa fine-tuning dapat memanfaatkan pengetahuan yang telah ada dalam model pre-trained seperti EfficientNet-B0 dan menyesuaikannya dengan dataset tertentu untuk menghasilkan prediksi yang lebih akurat.