Klasifikasi Tingkat Keparahan Penyakit Leaf Blast pada Tanaman Padi menggunakan EfficientNetB0 menggunakan Optimasi CLAHE

Abstrak

Tujuan dari penelitian ini adalah untuk membuat sistem klasifikasi tingkat keparahan penyakit blas pada tanaman padi dengan menggunakan arsitektur EfficientNetB0 yang telah disempurnakan dengan Contrast Limited Adaptive Histogram Equalization (CLAHE). Teknik penelitian ini terdiri dari berbagai langkah. Pada awalnya, kumpulan data dikumpulkan dari platform Kaggle, yang mencakup 300 foto daun padi. Foto-foto tersebut kemudian dipra-proses dengan metode CLAHE untuk meningkatkan kontras. Kemudian augmentasi data dilakukan dengan menggunakan ImageDataGenerator untuk memperkaya varian gambar. Terakhir, pelatihan model dilakukan dengan menggunakan arsitektur EfficientNetB0 yang dimodifikasi yang menyertakan lebih banyak lapisan untuk meningkatkan akurasi. Temuan menunjukkan bahwa model akhir memiliki akurasi validasi sebesar 90%, dengan performa terbaik ditemukan pada kelas “sehat-cahaya”. Akan tetapi, angka akurasi dan recall yang rendah menunjukkan bahwa mengenali kelompok “sedang” dan “berat” masih menjadi tantangan. Penelitian ini memberikan kontribusi yang signifikan di lapangan dengan membangun sistem klasifikasi yang lebih tepat dan efisien untuk menentukan tingkat keparahan penyakit blas. Strategi ini dapat membantu petani membuat keputusan yang lebih baik dalam pengelolaan tanaman padi. Selain itu, penelitian ini membuka jalan untuk pengembangan lebih lanjut dalam penyeimbangan dataset dan implementasi teknik deep learning yang lebih canggih untuk meningkatkan kinerja klasifikasi.