EVALUASI KOMPARATIF TEKNIK MIXUP DAN CUTMIX UNTUK PENINGKATAN AKURASI DETEKSI SAMPAH BERBASIS CONVOLUTIONAL NEURAL NETWORK

Abstract

Penyakit daun merupakan salah satu faktor utama penyebab penurunan produktivitas tanaman cabai rawit (Capsicum frutescens). Metode deteksi tradisional seperti inspeksi visual sering kali bersifat subjektif, memerlukan tenaga ahli, serta kurang efektif dalam mendeteksi penyakit secara dini. Oleh karena itu, diperlukan pendekatan berbasis teknologi yang lebih akurat dan efisien.Penelitian ini bertujuan untuk mengembangkan model Convolutional Neural Network (CNN) berbasis MobileNetV2 dalam mengklasifikasikan penyakit daun cabai rawit menggunakan citra digital. Dataset yang digunakan terdiri dari 500 citra yang terbagi menjadi 400 data pelatihan, 50 data validasi, dan 50 data pengujian, dengan lima kelas yaitu bintik daun, keriting daun, kuning kekuningan, kutu putih, dan daun sehat.Tahapan penelitian meliputi preprocessing data berupa resizing citra menjadi 224×224 piksel dan normalisasi nilai piksel, augmentasi data pada tahap pelatihan, perancangan model CNN menggunakan arsitektur MobileNetV2 berbasis transfer learning, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, precision, recall, F1-score, dan confusion matrix.Hasil penelitian menunjukkan bahwa model yang dikembangkan mampu mencapai akurasi sebesar 82% pada data pengujian, dengan nilai rata-rata precision sebesar 86%, recall sebesar 82%, dan F1-score sebesar 82%. Model juga mampu mengklasifikasikan lima kelas penyakit daun cabai dengan cukup baik, meskipun terdapat kemiripan visual antar kelas.Dengan demikian, penelitian ini menunjukkan bahwa metode CNN berbasis MobileNetV2 cukup efektif dalam mengklasifikasikan penyakit daun cabai rawit berbasis citra digital, serta berpotensi untuk dikembangkan lebih lanjut sebagai sistem pendukung dalam deteksi dini di bidang pertanian presisi.