PENGARUH STRATEGI AUGMENTASI DATA ADAPTIF DAN TRANSFER LEARNING DALAM PENINGKATAN PERFORMA KLASIFIKASI PENYAKIT APEL PADA DATASET DENGAN KETIDAKSEIMBANGAN MINOR

Abstract

Penelitian ini bertujuan untuk meningkatkan performa klasifikasi penyakit daun apel pada kondisi ketidakseimbangan data ringan (slight imbalance) melalui integrasi metode adaptive data augmentation dan transfer learning berbasis arsitektur MobileNetV2. Dataset yang digunakan merupakan Apple Disease Dataset (Original) dari Kaggle yang terdiri dari 7.462 citra yang terbagi ke dalam empat kelas, dengan nilai imbalance ratio sebesar 1.14. Meskipun tergolong ringan, ketidakseimbangan tersebut tetap berpotensi menyebabkan bias model terhadap kelas mayoritas sehingga diperlukan strategi penanganan yang tepat. Penelitian ini menguji empat skenario eksperimen, yaitu baseline (tanpa augmentasi dan tanpa pembobotan), adaptive data augmentation, class-weighted loss, serta kombinasi dari kedua pendekatan tersebut. Setiap skenario dievaluasi menggunakan beberapa metrik kinerja, meliputi accuracy, macro precision, macro recall, macro F1-score, Area Under Precision-Recall Curve (AUPRC), serta analisis confusion matrix untuk mengidentifikasi pola kesalahan prediksi antar kelas. Hasil penelitian menunjukkan bahwa penerapan adaptive data augmentation yang difokuskan pada kelas minoritas mampu memperkaya variasi visual yang relevan dan meningkatkan representasi fitur pada kelas dengan jumlah data terbatas, sehingga berdampak pada peningkatan nilai recall dan F1-score tanpa menurunkan performa kelas mayoritas. Integrasi dengan class-weighted loss dan transfer learning berbasis MobileNetV2 terbukti memberikan performa terbaik dibandingkan skenario lainnya, dengan nilai accuracy sebesar 90,62%, macro F1-score sebesar 0,90, serta recall pada kelas Cedar Apple Rust sebesar 0,9915. Dengan demikian, pendekatan yang diusulkan efektif dalam meningkatkan performa klasifikasi serta menghasilkan model yang lebih stabil dan memiliki kemampuan generalisasi yang baik, meskipun penelitian ini masih terbatas pada kondisi ketidakseimbangan ringan dan dataset publik yang relatif homogen, sehingga diperlukan pengujian lebih lanjut pada data citra lapangan dengan variasi kondisi visual yang lebih kompleks.