Detail Cantuman

Singkong merupakan tanaman pangan penting yang rentan terhadap serangan penyakit seperti Cassava Bacterial Blight (CBB) dan Cassava Mosaic Disease (CMD), yang dapat menurunkan produktivitas secara signifikan. Penelitian ini bertujuan untuk mengidentifikasi kedua jenis penyakit tersebut menggunakan model deep learning EfficientNetV2B0 dengan pendekatan perbandingan antara EfficientNetV2B0 baseline dan EfficientNetV2B0 full MBConv. Dataset yang digunakan berasal dari Kaggle dan terdiri dari tiga kelas penyakit daun singkong. Model dilatih dengan tiga skenario konfigurasi hyperparameter menggunakan optimizer Adam dan RMSprop, serta variasi batch size, learning rate, dan epoch. Hasil eksperimen menunjukkan bahwa model dengan EfficientNetV2B0 baseline memiliki waktu pelatihan lebih singkat dibandingkan EfficientNetV2B0 full MBConv, serta menghasilkan akurasi yang tinggi dan stabil, dengan nilai tertinggi sebesar 83,78% dan F1-score 84%. Meskipun model EfficientNetV2B0 full MBConv sempat mencapai akurasi 84,07%, performanya cenderung tidak stabil dan menunjukkan gejala overfitting. Hal ini menandakan bahwa penggunaan blok Fused-MBConv pada arsitektur EfficientNetV2B0, dikombinasikan dengan optimasi hyperparameter, mampu meningkatkan efisiensi pelatihan dan stabilitas model dalam mengidentifikasi penyakit daun singkong.