Analisis Perbandingan DenseNet121 dan DenseNet201 Berbasis Transfer Learning untuk Identifikasi Penyakit Daun Tebu

Abstract

Penyakit daun tebu dapat menurunkan produktivitas
tanaman dan menyebabkan kerugian pada sektor pertanian.
Identifikasi penyakit secara manual masih rentan terhadap
kesalahan karena kemiripan gejala antarpenyakit. Penelitian ini
bertujuan membandingkan performa arsitektur DenseNet121 dan
DenseNet201 berbasis transfer learning untuk klasifikasi penyakit
daun tebu menggunakan Sugarcane Leaf Dataset (SLD Data yang
dimanfaatkan memuat 6.748 citra yang terklasifikasi ke dalam 11
kategori penyakit. Tahapan preprocessing mencakup resize,
pembagian datat, augmentasi, serta normalisasi. Kedua arsitektur
diuji menggunakan optimizer Adam, RMSprop, dan SGD dengan
parameter pelatihan yang sama. Penilaian kinerja model
menggunakan metrik accuracy, precision, recall, dan F1-score.
Eksperimen menunjukkan bahwa DenseNet201 dengan optimizer
Adam memberikan performa terbaik dengan accuracy 94,22%,
precision 95%, recall 94%, dan F1-score 94%. Sementara itu,
DenseNet121 dengan optimizer Adam menghasilkan accuracy
93,15%.Temuan menunjukkan bahwa DenseNet201 lebih unggul
dibandingkan DenseNet121 dalam mengklasifikasikan penyakit
daun tebu menggunakan dataset SLD.

Kata kunci: DenseNet121, DenseNet201, Transfer Learning,
Klasifikasi Citra, Penyakit Daun Tebu