Perbandingan Performa Model Baseline dan Optimasi Hyperparameter EfficientNetB0 dalam Identifikasi Penyakit Daun Cabai
DOI:
https://doi.org/10.29407/5mn1wc53Abstract
Penyakit daun cabai sering menyebabkan gagal panen, namun deteksi manual sering kali tidak akurat. Penelitian ini penting untuk menghadirkan solusi identifikasi otomatis berbasis kecerdasan buatan. Metode yang digunakan adalah arsitektur deep learning EfficientNet-B0 dengan membandingkan model baseline dan pengujian fine-tuning. Hasil penelitian menunjukkan model baseline mengalami overfitting dengan akurasi 62% akibat keterbatasan dataset lokal. Setelah optimasi fine-tuning dengan menurunkan laju belajar, akurasi global meningkat menjadi 65%. Model berhasil mengenali kelas virus keriting dengan sangat baik, meski kelas cercospora masih terkendala akibat kemiripan visual ekstrem dengan bacterial spot. Penelitian ini menyimpulkan bahwa modifikasi parameter mampu memperbaiki pengenalan bentuk daun keriting pada data kecil. Hasil ini penting sebagai fondasi pengembangan sistem deteksi penyakit tanaman lokal yang lebih adaptif.
Keywords:
Cabai, deteksi penyakit, deep learning, EfficientNet-B0, fine-tuning##plugins.themes.default.displayStats.downloads##
References
[1] J. Jayaputra, I. K. D. Jaya, and B. B. Santoso, “Pengembangan Hortikultura Lahan Kering
dan Penerapan Teknologi Budidaya Ramah Lingkungan untuk Meningkatkan Pendapatan
Petani Di Desa Sukadana Lombok Utara,” Jurnal Gema Ngabdi, vol. 4, no. 3, pp. 262–
272, Nov. 2022, doi: 10.29303/jgn.v4i3.291.
[2] R. Ardianzah Pangka and B. Ali, “Sistem Pakar Diagnosis Penyakit Pada Tanaman Jagung
Menggunakan Metode Forward Chaining Berbasis Website,” 2024. doi:
10.53769/bandwidth.v2i1.594.
[3] M. S. A. Zakaria, A. Faisol, and F. X. Ariwibisono, “Implementasi Convolutional Neural
Network Untuk Deteksi Dan Klasifikasi Penyakit Tanaman Hias Berdasarkan Citra Daun,”
Indonesian Journal of Humanities and Social Sciences, vol. 5, Dec. 2024, doi:
10.33367/ijhass.v5i4.6397.
[4] B. N. Tri, C. Ningrum, E. N. Ni’mah, M. P. Arifin, A. Dusea, and W. Dara, “Klasifikasi
dan Pengenalan Pola Penyakit Cabai dengan Metode CNN (Convolution Neural Network),”
2024. doi: 10.29407/stains.v3i1.4137.
[5] M. Fadhilatuzzahro, A. Fazrin, Z. I. Arishandy, T. A. Sukoco, and H. Maulana,
“Optimalisasi Model CNN EfficientNet-B0 dengan Fine Tuning untuk Klasifikasi
Penyakit Buah Jeruk,” Jurnal Ilmiah Teknologi Informasi dan Robotika, 2025, doi:
10.33005/jifti.v7i1.162.
[6] M. Raihan, C. Wulandari, and R. Kurniawan, “Klasifikasi Penyakit Tanaman Mangga
Menggunakan Citra Daun Dengan Pendekatan Transfer Learning Efficientnet-B0,”
Journal of Informatics Management and Information Technology, vol. 6, no. 1, p. 82, Jan.
2026, doi: 10.47065/jimat.v6i1.904.
[7] I. Aqil, “Pendeteksian Penyakit Daun Padi Menggunakan Model ResNet50 dengan
Optimasi Hyperparameter,” JCOSIS (Journal Computer Science and Information System,
Oct. 2025, doi: doi.org/10.61567/jcosis.v2i2.257.
[8] I. Dewa, A. Pradnya, P. Tentriajaya, G. Ngurah, and L. Wijayakusuma, “Eye Disease
Classification Using EfficientNet-B0 Based on Transfer Learning,” Aug. 2025. doi:
10.30871/jaic.v9i4.9743.
[9] A. Nur Fajrina et al., “Penerapan Arsitektur EfficientNet-B0 Pada Klasifikasi Leukimia
Tipe Acute Lymphoblastik Leukimia Application of the EfficientNet-B0 Architecture in
the Classification of Acute Lymphoblastic Leukemia,” 2024. doi:
10.30595/jrre.v6i1.22090.
[10] A. Julianto, A. Sunyoto, D. Ferry, and W. Wibowo, “Optimasi Hyperparameter
Convolutional Neural Network untuk Klasifikasi Penyakit Tanaman Padi (Optimization of
Convolutional Neural Network Hyperparameters for Classification of Rice Plant
Diseases),” Dec. 2022. doi: 10.46764/teknimedia.v3i2.77.
[11] R. Ridwan, H. H. Handayani, S. A. P. Lestari, and Y. Cahyana, “Evaluasi Kinerja
Algoritma Random Forest Dan Gradient Boosting Untuk Klasifikasi Penyakit Jantung,”
Jurnal Komtika (Komputasi dan Informatika), vol. 9, no. 1, pp. 112–124, Jun. 2025, doi:
10.31603/komtika.v9i1.13450.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
