Perbandingan Model CNN dan EfficientNet-B0 dalam Klasifikasi Penyakit Daun Jagung Menggunakan Class Weighting

Abstract

Penyakit daun jagung dapat menurunkan produktivitas pertanian dan berdampak pada ketahanan pangan, sehingga diperlukan sistem deteksi otomatis yang efektif. Penelitian ini mengimplementasikan algoritma Convolutional Neural Network (CNN) untuk mengklasifikasikan empat kondisi daun jagung: healthy, blight, common rust, dan gray leaf spot. Dataset yang digunakan mencakup 4188 citra hasil prapemrosesan. Model yang dievaluasi terdiri dari arsitektur EfficientNet-B0 berbasis transfer learning dan model CNN standar yang dibangun dari awal (from scratch). Metode balanced class weight diterapkan selama pelatihan untuk mengatasi ketidakseimbangan data, khususnya guna meningkatkan sensitivitas model pada kelas gray leaf spot selaku kelas minoritas. Hasilnya EfficientNet-B0 mencatat nilai F1-score di macro average sebesar 96,23%, sementara CNN standar mencapai nilai F1-score di macro average sebesar 89,54%. EfficientNet-B0 menunjukkan performa yang lebih baik pada semua kelas. Namun, kedua model masih mengalami sedikit misklasifikasi pada beberapa kelas yang disebabkan oleh kemiripan karakteristik visual serta keterbatasan data minoritas. Secara keseluruhan, EfficientNet-B0 memiliki performa dan generalisasi yang lebih baik, sedangkan CNN tetap kompetitif dengan kompleksitas yang lebih rendah.