Analisis Perbandigan Kinerja Model CNN Resnet-50, VGG19 dan Mobilenet dalam Klasifikasi Penyakit pada Tamnaman Mete

Abstract

Penyakit pada tanaman jambu mete (Anacardium occidentale) seperti anthracnose, gumosis, leaf miner, dan red rust menjadi kendala utama yang mengancam produktivitas dan menyebabkan kerugian ekonomi bagi petani di Indonesia. Deteksi dini penyakit ini sangat penting untuk meningkatkan hasil panen dan keberlanjutan budidaya mete. Penelitian ini bertujuan untuk membandingkan kinerja tiga arsitektur Convolutional Neural Networks (CNN), yaitu ResNet50, VGG19, dan MobileNet, dalam mengklasifikasikan lima kategori penyakit pada tanaman mete menggunakan dataset citra digital. Metode yang digunakan meliputi pelatihan dan evaluasi ketiga model CNN dengan metrik akurasi, presisi, recall, dan F1-score sebagai ukuran performa. Hasil evaluasi menunjukkan bahwa model ResNet50 memberikan performa terbaik dengan akurasi 97,61%, diikuti oleh MobileNet dengan 95,67%, dan VGG19 dengan 92,57%. Kesimpulannya, ResNet50 direkomendasikan sebagai model yang paling efektif untuk klasifikasi penyakit pada tanaman mete karena kemampuannya memberikan hasil yang paling akurat dan konsisten. Penelitian ini memberikan kontribusi penting dalam pengembangan teknologi deteksi penyakit tanaman berbasis deep learning untuk mendukung pertanian modern.