Perbandingan Kinerja Model DenseNet121, EfficientNetB0, dan MobileNetV1 untuk Klasifikasi Penyakit Daun Tebu

Abstract

Penyakit daun tebu merupakan salah satu faktor utama penyebab penurunan produktivitas tanaman tebu, sehingga deteksi dini menjadi langkah penting dalam pengendalian penyaki pada daun tebu. Deep learning berbasis citra digital menawarkan solusi diagnosis yang cepat dan akurat. Namun, arsitektur Convolutional Neural network berukuran besar seperti VGG16 dan ResNet50 kurang efisien serta berpotensi mengalami overfitting pada dataset terbatas. Penelitian ini mengevaluasi tiga arsitektur CNN modern, yaitu DenseNet121, EfficientNetB0, dan MobileNetV1, untuk klasifikasi lima kelas penyakit daun tebu menggunakan 2.521 citra dataset sekunder. Seluruh model dilatih dengan konfigurasi pelatihan yang seragam untuk memastikan objektivitas evaluasi. Hasil penelitian menunjukkan bahwa DenseNet121 menghasilkan akurasi validasi tertinggi sebesar 92% dengan waktu pelatihan 167.220 detik, EfficientNetB0 mencapai akurasi 88% dengan waktu pelatihan 108.480 detik, sedangkan MobileNetV1 memperoleh akurasi 87% dengan waktu pelatihan tercepat yaitu 100.260 detik. Temuan ini menunjukkan bahwa pemilihan arsitektur pada sistem deteksi penyakit daun tebu perlu mempertimbangkan keseimbangan antara akurasi dan efisiensi komputasi, sehingga model dapat diterapkan secara optimal pada kebutuhan diagnosis cepat dan aplikatif di lingkungan pertanian.