PENINGKATAN ROBUSTNESS MODEL KLASIFIKASI PENYAKIT DAUN SEMANGKA MENGGUNAKAN FINE-TUNING VGG16 DAN AUGMENTASI DATA SINTETIS BERBASIS GENERATIVE ADVERSARIAL NETWORK

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi penyakit daun semangka yang lebih tangguh melalui integrasi fine-tuning VGG16, augmentasi sintetis berbasis GAN, dan Stratified K-Fold Cross-Validation. Dataset terdiri atas empat kelas dengan distribusi yang tidak seimbang, sehingga memerlukan strategi untuk meningkatkan representasi kelas minoritas. Tahapan penelitian meliputi pra-pemrosesan citra, augmentasi dasar, augmentasi terarah berbasis GAN, serta pelatihan model menggunakan transfer learning dan penyesuaian lapisan akhir. Evaluasi performa dilakukan menggunakan metrik lanjutan seperti akurasi, presisi, recall, F1-Score, AUC-ROC, dan AUC-PR. Hasil penelitian menunjukkan bahwa augmentasi sintetis GAN mampu meningkatkan stabilitas model dan mengurangi bias terhadap kelas mayoritas. Pelatihan menggunakan Stratified K-Fold juga memberikan performa yang lebih konsisten dibandingkan pendekatan single split. Pada unseen test set, terjadi peningkatan yang signifikan pada F1-Score kelas minoritas dan kenaikan AUC-PR, yang menandakan sensitivitas lebih baik pada distribusi data tidak seimbang. Visualisasi Grad-CAM memperlihatkan bahwa model mampu memfokuskan atensi pada pola lesi yang relevan, sehingga mengonfirmasi peningkatan kemampuan generalisasi setelah augmentasi terarah. Secara keseluruhan, perpaduan fine-tuning VGG16, augmentasi sintetis GAN, dan Stratified Cross-Validation terbukti meningkatkan ketahanan dan performa model klasifikasi penyakit daun tanaman. Pendekatan ini berpotensi dikembangkan lebih lanjut dalam sistem diagnosis tanaman berbasis visi komputer untuk mendukung pertanian digital.