Implementasi CBAM pada Arsitektur ResNet50 dalam Klasifikasi Penyakit Daun Tanaman Kentang
Abstract
Potato cultivation is inevitably susceptible to various challenges, particularly leaf diseases. Failure to address these issues effectively can lead to a significant decline in both crop yield and harvest quality. This study aims to implement the Convolution Block Attention Module (CBAM) within the ResNet50 architecture for the classification of potato leaf diseases. The dataset utilized in this research comprises 2,152 images categorized into three classes: 152 healthy leaves, 1,000 early blight leaves, and 1,000 late blight leaves. The data was partitioned into training, validation, and testing sets with a ratio of 80:10:10, respectively. Image augmentation techniques were employed to address the class imbalance by increasing the number of healthy leaf images and enhancing dataset variability. Experimental results demonstrate that the ResNet50+CBAM model achieved the highest accuracy of 92% in both Scenario 1 (Adam optimizer, batch size 16) and Scenario 3 (Adam optimizer, batch size 32). Conversely, Scenario 4 (SGD optimizer, batch size 32) yielded the lowest accuracy at 77%.
Keyword: CBAM; Classification; CNN; Potato; ResNet50
Abstrak
Dalam membudidayakan suatu tanaman kentang pastinya tidak terlepas dari permasalahan yang terjadi dalam tanaman kentang salah satunya yaitu pernyakit pada daun kentang, bila tidak diperhatikan dengan baik maka dapat terjadinya penurunan produksi dan penurunan kualitas pada hasil panen. Peneltian ini bertujuan untuk mengimplementasikan Convolution Block Attention Module (CBAM) pada arsitektur ResNet50 dalam klasifikasi penyakit daun tanaman kentang. Dataset yang digunakan dalam penelitian ini berjumlah 2152 gambar yang terdiri dari 3 kategori yaitu 152 daun sehat, 1000 daun early blight dan 1000 daun late blight yang akan dibagi menjadi 80% data latih, 10% data validasi dan 10% data uji. Penelitian ini menggunakan teknik augmentasi gambar yang bertujuan untuk menambah jumlah gambar daun sehat dan meningkatkan variasi data. Hasil pengujian menunjukkan ResNet50+CBAM pada skenario 1 (optimasi Adam dan batch size 16) dan skenario 3 (optimasi Adam dan batch size 32) menghasilkan akurasi yang sama yaitu 92% dan skenario 4 (optimasi SGD dan batch size 32) menghasilkan akurasi terendah yaitu 77%.
Keywords
References
S. Lestari and K. I. Nauval, “Implementasi Deteksi Objek Penyakit Daun Kentang dengan Metode Convolutional Neutral Network,” J. Apl. Teknol. Inf. dan Manaj., vol. 3, no. 2, pp. 136–149, 2022, doi: 10.31102/jatim.v3i2.1576.
R. Gunawan et al., “Potato leaf disease classification with transfer learning using CNN optimization of MobilenetV2 architecture,” J. Comput. Sci. Inf. Technol., vol. 6, no. 2, pp. 254–258, 2025, doi: 10.37859/coscitech.v6i2.8599.
A. M. Lesmana, R. P. Fadhillah, and C. Rozikin, “Identifikasi penyakit pada citra daun kentang menggunakan Convolutional Neural Network (CNN),” J. Sains dan Inform., vol. 8, no. 1, pp. 21–30, 2022, doi: 10.34128/jsi.v8i1.377.
S. Ghandi, I. M. Nugroho, and Y. R. Ramadhan, “Penerapan metode convolution neural network ( CNN ) dalam aplikasi pendeteksi penyakit daun tanaman kentang berbasis android,” J. Mhs. Tek. Inform., vol. 8, no. 5, pp. 8701–8708, 2024, doi: 10.36040/jati.v8i5.10769.
I. Nita, A. N. Putra, A. W. Sektiono, S. Riza, and K. Sigit, “Analisis kelayakan deteksi cepat penyakit hawar daun tanaman kentang pada fase akhir menggunakan UAV,” J. Hama Penyakit Tumbuh., vol. 11, no. 3, pp. 109–120, 2023, doi: 10.21776/ub.jurnalhpt.2023.011.3.2.
M. Muchtar and R. A. Muchtar, “Integrasi fitur warna, tekstur dan renyi fraktal untuk klasifikasi penyakit daun kentang menggunakan linear discriminant analysis 1,” J. Mnemon., vol. 7, no. 1, pp. 77–84, 2024.
M. D. Pranatha, M. A. Maricar, and G. H. Setiawan, “Implementasi arsitektural Resnet-34 dalam klasifikasi gambar penyakit pada daun kentang,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 6, no. 3, pp. 575–580, 2024, doi: 10.47233/jteksis.v6i3.1431.
R. A. Boimau and Y. R. Kaesmetan, “Klasifikasi Citra Digital Bumbu dan Rempah Dengan Algoritma Convolutional Neural Network (CNN),” Repeater Publ. Tek. Inform. dan Jar., vol. 2, no. 3, pp. 26–34, Jun. 2024, doi: 10.62951/repeater.v2i3.81.
M. R. Wibisono, I. Ma, and M. Defriani, “Batik motif classification using CNN with Resnet-50 architecture,” RISTEC Res. Inf. Syst. Technol., vol. 6, no. 1, pp. 41–59, 2025.
J. Ismail, L. Tanti, and Wanayumini, “Development of skin cancer pigment image classification using a combination of MobilenetV2 and CBAM,” J. Ilmu Pengetah. dan Teknol. Komput., vol. 10, no. 4, pp. 770–780, 2025, doi: 10.33480/jitk.v10i4.6541.
M. A. Rahman, M. S. Ullah, R. K. Devnath, and T. H. Chy, “Cotton Leaf Disease Detection : An Integration of CBAM with Deep Learning Approaches,” Int. J. Comput. Appl., vol. 186, no. 67, pp. 1–8, 2025, doi: 10.5120/ijca2025924487.
J. Rozaqi, A. Sunyoto, and R. Arief, “Implementasi transfer learning pada algoritma Convolutional Neural Network untuk identifikasi penyakit daun kentang,” Procedia Eng. Life Sci., vol. 1, no. 1, 2021, doi: 10.21070/pels.v1i1.820.
C. Zhang, S. Wang, C. Wang, H. Wang, Y. Du, and Z. Zong, “Research on a potato leaf disease diagnosis system based on deep learning,” Agriculture, vol. 15, no. 4, pp. 1–24, Feb. 2025, doi: 10.3390/agriculture15040424.
T. H. Pinem and Z. P. Putra, “Evaluasi kinerja algoritma klasifikasi deep learning dalam prediksi diabetes,” J. Ilm. Fifo, vol. 17, no. 1, pp. 17–28, 2025, doi: 10.22441/fifo.2025.v17i1.003.
B. Ramadhan and S. F. Pane, “Pengaruh hyperparameter tuning untuk efektivitas pada pendekatan hybrid dalam mendiagnosis stres dan depresi : tinjauan studi literatur,” J. Tekno Insentif, vol. 18, no. 2, pp. 104–118, 2024, doi: 10.36787/jti.v18i2.1516.
K. Prasetyo and R. Mahenra, “Analisis kinerja Convolutional Neural Networks baseline untuk identifikasi jenis jenis penyakit kentang,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 2, pp. 609–615, 2025, doi: 10.57152/malcom.v5i2.1722.
How To Cite This :
Refbacks
- There are currently no refbacks.
