Explainable Deep Learning Untuk Klasifikasi Penyakit Tanaman Cabai Menggunakan EfficientNetB4 Dan Visualisasi Grad-CAM

Abstract

Tanaman cabai (Capsicum Annuum) merupakan komoditas dengan tingkat konsumsi tinggi di Indonesia. Namun, produktivitasnya sering menurun akibat penyakit yang sulit diidentifikasi secara manual. Proses diagnosis yang bergantung pada observasi visual seringkali memerlukan waktu dan bersifat subjektif, sehingga diperlukan sistem klasifikasi otomatis yang cepat, tepat, dan dapat dijelaskan. Penelitian ini mengusulkan pendekatan Explainable Deep Learning menggunakan Convolutional Neural Network (CNN) arsitektur EfficientNetB4 untuk mengklasifikasikan penyakit tanaman cabai melalui citra daun yang dikombinasikan dengan visualisasi Gradient Weight Class Activation Mapping (Grad-CAM) untuk interpretasi visual. Dataset terdiri atas 2.000 citra daun tanaman cabai dari lahan budidaya yang terbagi dalam lima kategori, dengan empat kategori penyakit, yellowish, leaf curl, leaf spot, whitefly dan satu kategori sehat, healthy. Hasil pengujian menunjukkan akurasi 92.19% dengan loss 0.2573. Evaluasi metrik menghasilkan presisi 0.93, recall 0.92, dan F1-Score 0.92. Visualisasi Grad-CAM menyoroti area citra yang berpengaruh terhadap hasil klasifikasi. Hasil tersebut menunjukkan bahwa pendekatan yang diterapkan tidak hanya dapat mengklasifikasikan penyakit tanaman cabai secara tepat, tetapi juga memberikan interpretabilitas visual yang meningkatkan transparansi dan kepercayaan terhadap hasil klasifikasi.