Analisis Komparatif Arsitektur CNN untuk Klasifikasi Penyakit Daun Tebu Berbasis Transfer Learning
Abstract
Classifying sugarcane leaf diseases is critical in modern cultivation, because symptoms are often difficult to identify accurately through visual inspection alone. This study compares the performance of three Convolutional Neural Network (CNN) architectures Xception, EfficientNetB0, and ResNet50 using transfer learning on a dataset of 2,521 sugarcane leaf images grouped into five disease classes. A preprocessing stage, including image resizing, was applied to all samples. The data were then split into 80% training, 10% validation, and 10% testing sets. Each model was trained with the same training configuration to ensure a fair comparison, with consistent hyperparameters across experiments. Testing results indicate that EfficientNetB0 achieved the most stable performance with 99.5% accuracy, followed by ResNet50 at 98.2%, whereas Xception yielded the lowest performance due to training instability. These findings suggest that CNN architectures optimized via network-scaling efficiency better handle visual variability in sugarcane leaf disease images.
Keywords: Sugarcane Leaf Disease; Transfer Learning; Xception; EfficientNetB0; ResNet50.
Abstrak
Klasifikasi penyakit daun tebu sangat penting dalam praktik budidaya modern, karena gejala penyakit sering kali sulit diidentifikasi secara akurat hanya melalui pengamatan visual. Studi ini mengkomparasi kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu Xception, EfficientNetB0, dan ResNet50, menggunakan pendekatan transfer learning pada dataset 2.521 citra daun tebu yang dibagi ke dalam lima kelas penyakit. Tahap pra proses yang mencakup penyesuaian ukuran diterapkan pada seluruh citra. Selanjutnya, data dibagi menjadi 80% data pelatihan, 10% data validasi, dan 10% data pengujian. Setiap model dilatih menggunakan konfigurasi pelatihan yang seragam untuk memastikan perbandingan yang adil. Hasil pengujian menunjukkan bahwa EfficientNetB0 memiliki performa paling stabil dengan akurasi 99,5%, diikuti oleh ResNet50 dengan akurasi 98,2%, sedangkan Xception menunjukkan performa terendah akibat ketidakstabilan selama pelatihan. Temuan ini menunjukkan bahwa arsitektur CNN yang dioptimalkan melalui pendekatan efisiensi skala jaringan lebih mampu menangani variasi visual pada citra penyakit daun tebu.
Keywords
References
T. Yulianti, “Status Dan Strategi Teknologi Pengendalian Penyakit Utama Tebu Di Indonesia Status and Control Strategy of Important Sugarcane Diseases In …,” Perspektif, vol. 19, no. 1, pp. 1–16, 2020, [Online]. Available: http://ejurnal.litbang.pertanian.go.id/index.php/psp/article/view/11057
Della Adelia, Zahratul Fitri, and Cut Agusniar, “Deteksi Daun Herbal Dan Beracun Menggunakan Convolutional Neural Network Untuk Klasifikasi Tanaman Herbal Dan Beracun,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 10, no. 2, pp. 204–216, 2025, doi: 10.36341/rabit.v10i2.6025.
M. Hasan, B. Tanawala, and K. J. Patel, “Deep Learning Precision Farming: Tomato Leaf Disease Detection by Transfer Learning,” SSRN Electron. J., pp. 1–5, 2019, doi: 10.2139/ssrn.3349597.
W. O. Mardiana, N. A., & Windari, “G-Tech : Jurnal Teknologi Terapan,” G-Tech J. Teknol. Terap., vol. 8, no. 1, pp. 186–195, 2024.
I. Topan Adib Amrulloh, B. Nurina Sari, and T. Nur Padilah, “Evaluasi Augmentasi Data Pada Deteksi Penyakit Daun Tebu Dengan Yolov8,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 7547–7552, 2024, doi: 10.36040/jati.v8i4.10267.
S. Firmansyah, E. Yulia Puspaningrum, and E. Prakarsa Mandyartha, “Implementasi Transfer Learning Dengan Perbandingan Nilai Learning Rate Pada Klasifikasi Citra Penyakit Daun Tebu Berbasis Web,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 5, pp. 7357–7364, 2025, doi: 10.36040/jati.v9i5.14609.
S. Agustiani, R. Aryanti, S. Khotimatul Wildah, Y. T. Arifin, S. Marlina, and T. Misriati, “Optimisasi Model Deep Learning untuk Deteksi Penyakit Daun Tebu dengan Fine-Tuning MobileNetV2,” J. Informatics Manag. Inf. Technol., vol. 4, no. 4, pp. 150–157, 2024.
W. L. Pratitis, K. Kurniasari, and H. Al Fata, “Classification of Spotted Disease on Sugarcane Leaf Image Using Convolutional Neural Network Algorithm,” JTECS J. Sist. Telekomun. Elektron. Sist. Kontrol Power Sist. dan Komput., vol. 3, no. 2, p. 117, 2023, doi: 10.32503/jtecs.v3i2.3433.
A. K. Bagchi, M. A. Haider Chowdhury, and S. A. Fattah, “Sugarcane Disease Classification using Advanced Deep Learning Algorithms: A Comparative Study,” Proc. - 6th Int. Conf. Electr. Eng. Inf. Commun. Technol. ICEEICT 2024, pp. 887–892, 2024, doi: 10.1109/ICEEICT62016.2024.10534394.
I. Aryadi and A. Suhendar, “Implementasi Arsitektur Xception Dalam Menentukan Kematangan Tandan Buah Segar Kelapa Sawit,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 13, no. 3, 2024, doi: 10.35889/jutisi.v13i3.2337.
J. R. Ziliwu, G. C. Setyawan, and H. Budiati, “Penerapan ESP32-CAM dan TinyML dalam Klasifikasi Gambar Buah dan Sayuran,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 13, no. 1, p. 584, 2024, doi: 10.35889/jutisi.v13i1.1869.
M. Kevin Santosa, M. Hanindia Prami Swari, and A. Nugroho Sihananto, “Implementasi Arsitektur Alexnet Dan Resnet34 Pada Klasifikasi Citra Penyakit Daun Kentang Menggunkan Transfer Learning,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 5, pp. 3293–3301, 2024, doi: 10.36040/jati.v7i5.7337.
M. I. Hossen, M. Awrangjeb, S. Pan, and A. Al Mamun, “Transfer learning in agriculture: a review,” Artif. Intell. Rev., vol. 58, no. 4, 2025, doi: 10.1007/s10462-024-11081-x.
A. Noercholis and S. Y. Riska, “Comparative Study of NASNetLarge and EfficientNetV2L Architectures for Brain Tumor Classification Using CNN Methods,” in 2025 9th International Conference On Electrical, Electronics And Information Engineering (ICEEIE), 2025, pp. 1–6. doi: 10.1109/ICEEIE66203.2025.11253976.
S. Suprihanto, I. Awaludin, M. Fadhil, and M. A. Z. Zulfikor, “Analisis Kinerja ResNet-50 dalam Klasifikasi Penyakit pada Daun Kopi Robusta,” J. Inform., vol. 9, no. 2, pp. 116–122, 2022, doi: 10.31294/inf.v9i1.13049.
D. P. Pamungkas and M. F. Amrulloh, “Analisis Hasil Klasifikasi Penyakit Daun Bawang Merah Menggunakan Cnn Arsitektur Exception,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 1, pp. 359–366, 2025, doi: 10.29100/jipi.v10i1.5875.
K.I.I Saputra, M.R. Muttaqin, & T.I Hermanto, "Klasifikasi Citra Mutu Kemasan Menggunakan Metode Convolutional Neural Network Dengan Arsitektur MobileNetV2. Progresif: Jurnal Ilmiah Komputer, vol. 19, no. 3, pp. 613-622, 2023.
M.I. Rasyid, & L.M. Wisudawati, "Klasifikasi hama ulat pada citra daun sawi berbasis convolutional neural network dengan model Xception. Jutisi: Jurnal Ilmiah Teknik Informatika Dan Sistem Informasi, vol. 13, no. 2, pp. 870-880, 2024.
How To Cite This :
Refbacks
- There are currently no refbacks.
