Catalog Detail

Berikut adalah resume akademik dari karya ilmiah yang diberikan:

1. Topik Utama
Penelitian ini berfokus pada analisis dan perbandingan kinerja arsitektur Convolutional Neural Network (CNN) MobileNetV3 dan ConvNeXt dalam klasifikasi penyakit daun labu manis. Topik utama juga mencakup pengkajian pengaruh empat skenario Fine-tuning, yaitu head-only, partial, full, dan LoRA Fine-tuning, terhadap performa klasifikasi model. Tujuannya adalah untuk mengidentifikasi arsitektur dan strategi Fine-tuning yang paling efektif dalam deteksi dini penyakit tanaman berbasis citra digital.

2. Latar Belakang
Sektor pertanian di Indonesia menghadapi tantangan signifikan dari serangan penyakit tanaman, yang dapat menurunkan kualitas dan hasil panen secara drastis. Tanaman labu manis (Cucurbita moschata) merupakan komoditas penting yang rentan terhadap penyakit daun seperti bercak daun bakteri, embun bulu, dan penyakit mosaik. Gejala visual yang mirip pada tahap awal infeksi menyulitkan identifikasi manual secara cepat dan akurat, sehingga penanganan penyakit seringkali terlambat. Oleh karena itu, pemanfaatan teknologi Computer Vision berbasis Deep learning, khususnya arsitektur CNN, menjadi krusial untuk deteksi penyakit yang objektif, cepat, dan akurat.

3. Tujuan / Rumusan Masalah
Penelitian ini bertujuan untuk menganalisis kinerja arsitektur CNN MobileNetV3 dan ConvNeXt dalam mengklasifikasikan penyakit daun labu manis berbasis citra digital. Selain itu, penelitian ini juga menganalisis pengaruh penerapan empat skenario Fine-tuning (head-only, partial, full, dan LoRA Fine-tuning) terhadap performa klasifikasi pada kedua model tersebut. Tujuan akhirnya adalah menentukan kombinasi arsitektur CNN dan skenario Fine-tuning dengan performa terbaik berdasarkan metrik evaluasi seperti accuracy, precision, recall, F1-score, dan confusion matrix.

4. Metode / Pendekatan
Metode yang digunakan adalah transfer learning dengan memanfaatkan bobot pre-trained ImageNet pada arsitektur MobileNetV3-Large dan ConvNeXt-Tiny. Proses penelitian diawali dengan studi literatur, pengumpulan dan pelabelan data sekunder (Kaggle) dan primer (lapangan), serta eksplorasi dataset. Selanjutnya, data dibagi menjadi data latih (80% sekunder), validasi (20% sekunder), dan uji (100% primer), diikuti dengan prapemrosesan dan augmentasi data latih, serta Random Oversampling untuk menyeimbangkan kelas. Pemodelan melibatkan modifikasi classifier untuk empat kelas dan penerapan empat skenario Fine-tuning (head-only, partial, full, LoRA) dengan konfigurasi layer trainable yang berbeda. Pelatihan model dilakukan selama 50 epoch menggunakan CrossEntropyLoss, optimizer AdamW, dan scheduler ReduceLROnPlateau di Google Colab dengan GPU T4, dengan model terbaik disimpan berdasarkan validation loss terendah.

5. Objek / Data / Sistem yang Dikaji
Objek penelitian ini adalah performa model Deep learning berbasis Convolutional Neural Network (CNN) dalam mengklasifikasikan citra daun labu manis (Cucurbita moschata). Data yang dikaji berupa 1.719 citra daun labu manis, terdiri dari 1.519 data sekunder (dari dataset publik Kaggle) dan 200 data primer (foto lapangan dari Kabupaten Cilacap, Jawa Tengah). Citra-citra ini dikelompokkan ke dalam empat kelas kondisi daun: Bacterial Leaf Spot, Downy Mildew, Mosaic Disease, dan Healthy Leaf. Penelitian ini berfokus pada klasifikasi citra daun dan tidak membahas deteksi objek, segmentasi area penyakit, atau identifikasi tingkat keparahan penyakit.

6. Proses Perancangan / Implementasi
Proses perancangan dimulai dengan studi literatur untuk menentukan fokus pada MobileNetV3-Large dan ConvNeXt-Tiny serta empat skenario Fine-tuning. Data dikumpulkan dari Kaggle (sekunder) dan lapangan (primer), kemudian dilabeli berdasarkan empat kelas penyakit. Setelah eksplorasi dataset, data sekunder dibagi 80% untuk latih dan 20% untuk validasi, sementara 200 citra primer digunakan sebagai data uji. Prapemrosesan mencakup penyesuaian ukuran citra menjadi 224x224 piksel dan normalisasi, dengan augmentasi data ekstensif diterapkan pada data latih. Random Oversampling digunakan untuk menyeimbangkan jumlah citra pada data latih menjadi 400 per kelas.

Implementasi model melibatkan pemuatan arsitektur MobileNetV3-Large dan ConvNeXt-Tiny dengan bobot pre-trained ImageNet, diikuti modifikasi classifier untuk empat kelas dengan dropout 0.3. Empat skenario Fine-tuning (head-only, partial, full, LoRA) dikonfigurasi secara terpisah, dengan penentuan layer yang dilatih dan pembekuan Batch Normalization yang bervariasi. Pelatihan model dilakukan selama 50 epoch menggunakan CrossEntropyLoss, optimizer AdamW (learning rate 1e-4, weight decay 1e-4), dan scheduler ReduceLROnPlateau (patience 3, factor 0.5) dengan batch size 32 di Google Colab GPU T4. Model terbaik disimpan berdasarkan validation loss terendah.

7. Hasil Utama
Hasil pengujian menunjukkan bahwa arsitektur ConvNeXt-Tiny secara konsisten unggul dibandingkan MobileNetV3-Large pada seluruh skenario Fine-tuning yang diuji. Kombinasi terbaik untuk klasifikasi penyakit daun labu manis diperoleh dari ConvNeXt-Tiny dengan strategi Full Fine-tuning, yang mencapai akurasi sebesar 0,9150 dan F1-score sebesar 0,9154. Performa ini diikuti secara kompetitif oleh ConvNeXt-Tiny dengan LoRA Fine-tuning, meskipun LoRA hanya melatih sebagian kecil parameter model.

8. Kesimpulan
Penelitian ini menyimpulkan bahwa arsitektur ConvNeXt-Tiny menunjukkan kinerja yang lebih superior dibandingkan MobileNetV3-Large dalam klasifikasi penyakit daun labu manis di semua skenario Fine-tuning. Kombinasi optimal ditemukan pada ConvNeXt-Tiny dengan Full Fine-tuning, yang menghasilkan akurasi dan F1-score tertinggi. LoRA Fine-tuning pada ConvNeXt-Tiny juga menunjukkan performa yang sangat kompetitif dengan efisiensi parameter yang lebih tinggi. Hasil penelitian ini diharapkan dapat berkontribusi pada pengembangan sistem deteksi dini penyakit tanaman dan menjadi referensi untuk pertanian presisi berbasis kecerdasan buatan.

9. Kelebihan dan Keterbatasan
Kelebihan penelitian ini meliputi perbandingan dua arsitektur CNN modern (MobileNetV3 dan ConvNeXt) serta analisis mendalam terhadap empat skenario Fine-tuning (head-only, partial, full, dan LoRA). Penelitian ini juga menggunakan kombinasi data sekunder dan data primer lapangan untuk pengujian, yang meningkatkan relevansi hasil terhadap kondisi nyata. Manfaat penelitian ini diharapkan dapat memperdalam pemahaman peneliti tentang CNN dan transfer learning, serta menjadi dasar pengembangan sistem identifikasi penyakit daun labu manis otomatis bagi petani.

Keterbatasan penelitian ini mencakup fokus pada klasifikasi citra daun labu manis ke dalam empat kelas spesifik, tanpa membahas deteksi objek, segmentasi area penyakit, atau tingkat keparahan. Arsitektur CNN yang digunakan terbatas pada MobileNetV3 dan ConvNeXt. Selain itu, penelitian ini tidak membahas implementasi sistem ke dalam aplikasi berbasis web, mobile, atau perangkat edge, melainkan hanya berfokus pada proses pelatihan, pengujian, dan analisis performa model.

10. Resume Naratif
Penelitian ini secara komprehensif menganalisis kinerja arsitektur Convolutional Neural Network (CNN) MobileNetV3 dan ConvNeXt dalam mengklasifikasikan penyakit daun labu manis, sebuah komoditas pertanian penting yang rentan terhadap berbagai penyakit. Latar belakang penelitian menyoroti kesulitan identifikasi manual penyakit daun akibat kemiripan gejala visual, yang mendorong kebutuhan akan solusi berbasis Computer Vision dan Deep learning untuk deteksi dini yang akurat. Tujuan utama adalah membandingkan MobileNetV3-Large (arsitektur ringan) dan ConvNeXt-Tiny (arsitektur modern terinspirasi Vision Transformer) serta mengkaji pengaruh empat skenario Fine-tuning: head-only, partial, full, dan LoRA Fine-tuning.

Metodologi penelitian melibatkan penggunaan transfer learning dengan bobot pre-trained ImageNet. Dataset terdiri dari 1.519 citra sekunder (Kaggle) untuk data latih dan validasi, serta 200 citra primer (lapangan) untuk data uji, yang semuanya dikelompokkan ke dalam empat kelas: Bacterial Leaf Spot, Downy Mildew, Mosaic Disease, dan Healthy Leaf. Proses prapemrosesan mencakup penyesuaian ukuran citra, normalisasi, augmentasi data ekstensif pada data latih, dan Random Oversampling untuk menyeimbangkan distribusi kelas. Pemodelan dilakukan dengan memodifikasi classifier kedua arsitektur untuk empat kelas dan menerapkan setiap skenario Fine-tuning secara terpisah. Pelatihan model dilaksanakan di Google Colab dengan GPU T4 selama 50 epoch, menggunakan CrossEntropyLoss, optimizer AdamW, dan scheduler ReduceLROnPlateau, dengan penyimpanan model terbaik berdasarkan validation loss.

Hasil utama penelitian menunjukkan bahwa ConvNeXt-Tiny secara konsisten mengungguli MobileNetV3-Large di semua skenario Fine-tuning. Kombinasi terbaik tercapai dengan ConvNeXt-Tiny menggunakan Full Fine-tuning, menghasilkan akurasi 0,9150 dan F1-score 0,9154. Menariknya, ConvNeXt-Tiny dengan LoRA Fine-tuning juga menunjukkan performa yang sangat kompetitif dengan efisiensi parameter yang lebih tinggi. Kesimpulan penelitian menegaskan superioritas ConvNeXt-Tiny dan mengidentifikasi Full Fine-tuning sebagai strategi optimal, sekaligus menyoroti potensi LoRA Fine-tuning untuk aplikasi yang membutuhkan efisiensi.

Kelebihan penelitian ini terletak pada perbandingan dua arsitektur CNN yang relevan dan analisis mendalam terhadap berbagai strategi Fine-tuning, serta penggunaan data primer lapangan untuk pengujian. Namun, penelitian ini memiliki keterbatasan karena hanya berfokus pada klasifikasi citra daun labu manis ke dalam empat kelas, tanpa membahas deteksi objek atau tingkat keparahan penyakit, dan tidak mencakup implementasi sistem ke dalam aplikasi praktis. Penelitian ini diharapkan dapat menjadi dasar bagi pengembangan sistem deteksi penyakit tanaman berbasis AI di masa depan.