Analisis Komparatif Kinerja Arsitektur SSD-VGG16, SSD-ResNet18, dan SSD-MobileNetV2 untuk Deteksi Penyakit Brownspot Padi

Abstrak

Deteksi dini penyakit daun padi, khususnya brown spot, sangat krusial untuk mencegah kerugian panen, namun inspeksi manual sering kali subjektif dan tidak efisien. Meskipun deep learning menjanjikan solusi, studi yang ada sering kali hanya berfokus pada akurasi tanpa membahas secara mendalam kompromi (trade-off) antara ukuran model dan kecepatan inferensi untuk berbagai skenario penerapan. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan tiga backbone VGG16, ResNet18, dan MobileNetV2 dalam kerangka kerja Single Shot Detector (SSD) guna menentukan arsitektur optimal sesuai batasan sumber daya. Kami menggunakan 1.000 citra beranotasi yang telah diaugmentasi dan melatih model menggunakan arsitektur SSD300 pada lingkungan GPU standar. Hasil penelitian menunjukkan trade-off yang jelas: SSD-VGG16 mencapai akurasi tertinggi (mAP 0,825) namun paling lambat (11,53 FPS), sementara SSD-MobileNetV2 adalah yang paling efisien (29,42 FPS) dan ringan (43,73 MB) sehingga cocok untuk perangkat real-time, meskipun dengan akurasi lebih rendah (mAP 0,707). SSD-ResNet18 menawarkan keseimbangan di antara keduanya (Hasil). Temuan ini memberikan panduan empiris dalam pemilihan model deteksi objek berdasarkan prioritas antara presisi tinggi atau kapabilitas real-time dalam aplikasi pertanian.