Implementasi Deep Learning pada Deteksi Penyakit Daun Kentang dengan Arsitektur InceptionResNetV2

Abstract

Kentang (Solanum tuberosum) merupakan salah satu komoditas pangan penting di Indonesia. Namun, produktivitasnya kerap terganggu oleh penyakit daun seperti Early Blight, Late Blight, dan infeksi virus. Identifikasi penyakit secara manual oleh petani masih memiliki keterbatasan dari segi waktu, tenaga, dan akurasi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun kentang menggunakan metode deep learning, khususnya dengan arsitektur InceptionResNetV2. Dataset yang digunakan bersumber dari Kaggle dan terdiri dari 3.251 citra yang terbagi dalam tiga kelas: Healthy (816), Early Blight (1.303), dan Late Blight (1.132). Data diproses melalui tahapan praproses berupa resize, normalisasi piksel, dan augmentasi data. Pelatihan dilakukan dengan menggunakan ukuran input 299x299 piksel, batch size 20, dan jumlah epoch sebanyak 20. Hasil pelatihan menunjukkan bahwa model mencapai akurasi pelatihan sebesar 94,20% dan akurasi validasi sebesar 95,30%. Evaluasi model menggunakan confusion matrix menunjukkan kinerja yang baik pada kelas Early Blight dan Healthy, namun model masih mengalami kesulitan dalam membedakan antara Late Blight dan daun Healthy. Secara keseluruhan, model InceptionResNetV2 terbukti efektif dalam mengklasifikasikan penyakit daun kentang dan dapat menjadi solusi pendukung dalam sistem pertanian berbasis teknologi.