Studi Komparatif Model Pretrained Convolutional Neural Network Untuk Mengidentifikasi Penyakit Tumbuhan Pada Perangkat Seluler Android

Peneliti: Sembada Denrineksa Bimorogo dan I Gede Putra Kusuma Negara

Optimalisasi perangkat seluler untuk digunakan sebagai alat identifikasi awal penyakit tumbuhan menggunakan aplikasi berbasis Convolutional Neural Network (CNN), dengan tingkat akurasi yang tinggi dan konsumsi daya yang rendah adalah fokus dari penelitian ini. Penelitian dilakukan dengan menggunakan dataset yang terdiri dari 38 kelas yang berbeda dari dataset plantVillage, yang kemudian diperluas menggunakan 2 kelas tumbuhan kopi dan 4 kelas tumbuhan padi. Model yang akan diuji dan dibandingkan terdiri dari MobileNet V2, NasNet Mobile, DenseNet 121 dan InceptionV3.

Dalam percobaan, ditemukan bahwa ada penurunan keakuratan ketika aplikasi dijalankan pada perangkat seluler bila dibandingkan dengan saat dijalankan pada PC. Eksperimen juga menunjukkan bahwa InceptionV3 adalah model yang paling stabil dan mencapai tingkat akurasi tertinggi, yaitu 98,45% pada perangkat seluler. Namun, InceptionV3 menghabiskan banyak sumber daya saat digunakan pada perangkat seluler. Sementara itu, MobileNet V2, NasNet Mobile dan DenseNet 121, tidak mengkonsumsi banyak sumber daya ketika diuji pada perangkat mobile, selain itu dalam hal akurasi NasNet Mobile mencapai 97,31%, maka MobileNet V2 mencapai 96,55% dan DenseNet 121 mencapai 96,21%. Berdasarkan kriteria penelitian, dapat disimpulkan bahwa model CNN yang paling cocok untuk digunakan pada perangkat seluler adalah NasNet Mobile, karena memiliki tingkat akurasi yang tinggi dengan konsumsi sumber daya yang rendah.