MODEL CNN MULTI-INPUT MULTI-SKALA DENGAN PRA-PEMROSESAN MULTI-RESOLUSI UNTUK KLASIFIKASI PENYAKIT BUAH JAMBU

Abstract

Klasifikasi penyakit buah jambu merupakan langkah penting dalam mendukung deteksi dini dan pengendalian penyakit pada sektor pertanian. Penelitian ini merancang sebuah model klasifikasi berbasis Convolutional Neural Network (CNN) multi-skala yang diintegrasikan dengan pra-pemrosesan citra multi-resolusi guna meningkatkan ketepatan dalam mengenali variasi gejala penyakit pada buah jambu. Dataset yang digunakan berasal dari Guava Disease Dataset (Kaggle) yang berisi 3.785 citra mencakup tiga kelas, yaitu jambu sehat, antraknos, dan kerusakan akibat lalat buah. Setiap citra dinormalisasi ke rentang [0,1] dan diubah ke tiga resolusi berbeda (512×512, 256×256, dan 128×128 piksel) sebelum diproses oleh tiga cabang CNN secara paralel. Masing-masing cabang mengekstraksi fitur pada tingkat skala yang berbeda, kemudian seluruh fitur digabungkan melalui mekanisme feature concatenation untuk memperoleh representasi fitur yang lebih komprehensif. Proses pelatihan dilakukan menggunakan optimizer Adam dengan learning rate 1e-4, sedangkan evaluasi mencakup akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil eksperimen menunjukkan bahwa integrasi multi-resolusi dan CNN multi-skala menghasilkan performa tinggi dengan akurasi mencapai 95,03% serta skor F1 yang stabil pada seluruh kelas. Temuan ini membuktikan bahwa pendekatan multi-resolusi dan multi-skala efektif dalam menangani variasi orientasi, ukuran, dan pencahayaan pada citra buah jambu. Model yang diusulkan memiliki potensi untuk diterapkan sebagai bagian dari sistem pendukung keputusan berbasis citra dalam manajemen penyakit buah jambu.