Klasifikasi Penyakit Daun Jagung Menggunakan Transfer Learning MobileNetV2 dengan Fine-Tuning

Abstract

Penyakit pada daun jagung, seperti Blight, Common Rust, dan Gray Leaf Spot, dapat menurunkan kualitas dan hasil panen. Identifikasi penyakit yang masih dilakukan secara manual memerlukan waktu dan berpotensi menghasilkan kesalahan, terutama ketika gejala antarpenyakit memiliki kemiripan visual. Penelitian ini bertujuan untuk mengklasifikasikan empat kondisi daun jagung, yaitu Blight, Common Rust, Gray Leaf Spot, dan Healthy, menggunakan metode Transfer Learning dengan arsitektur MobileNetV2 yang dipadukan dengan teknik fine-tuning. Dataset yang digunakan merupakan dataset publik yang terdiri atas 4.188 citra daun jagung dan dibagi menjadi data pelatihan sebesar 80% serta data validasi sebesar 20%. Tahap feature extraction dilakukan dengan membekukan lapisan konvolusi, kemudian dilanjutkan dengan fine-tuning pada sebagian lapisan konvolusi menggunakan learning rate yang lebih rendah. Hasil evaluasi menunjukkan bahwa model memperoleh akurasi sebesar 96%, dengan nilai recall sebesar 1,00 pada kelas Healthy dan nilai F1-score sebesar 0,99 pada kelas Common Rust. Kesalahan klasifikasi masih ditemukan antara kelas Blight dan Gray Leaf Spot karena kedua kelas memiliki karakteristik visual yang serupa. Hasil penelitian menunjukkan bahwa MobileNetV2 dengan teknik fine-tuning mampu mengklasifikasikan citra penyakit daun jagung dengan baik pada dataset yang digunakan.