Evaluasi Kinerja MobileNetV2 Berbasis Transfer Learning untuk Klasifikasi Multikelas Penyakit Stroberi

Abstract

Identifikasi penyakit stroberi secara akurat diperlukan untuk mendukung pengendalian penyakit dan mempertahankan produktivitas tanaman. Penelitian ini bertujuan mengevaluasi kinerja MobileNetV2 berbasis transfer learning dalam klasifikasi multikelas penyakit stroberi serta menganalisis pengaruh fine-tuning terhadap performa model. Dataset publik yang digunakan terdiri atas 2.053 citra yang terbagi ke dalam tujuh kelas, yaitu Angular Leaf Spot, Anthracnose Fruit Rot, Blossom Blight, Gray Mold, Leaf Spot, Powdery Mildew Fruit, dan Powdery Mildew Leaf. Dataset dibagi menggunakan stratified sampling dengan rasio sekitar 80:10:10 menjadi 1.642 citra pelatihan, 205 citra validasi, dan 206 citra pengujian. Seluruh citra diubah ukurannya menjadi 224 × 224 piksel dan diproses menggunakan fungsi preprocess_input MobileNetV2, sedangkan augmentasi hanya diterapkan pada data pelatihan. Dua skenario transfer learning dibandingkan, yaitu feature extraction dengan backbone dibekukan dan fine-tuning dengan backbone diaktifkan kembali menggunakan learning rate yang lebih rendah. Hasil pengujian menunjukkan bahwa feature extraction memperoleh akurasi 95,63% dengan macro F1-score 0,87, sedangkan fine-tuning meningkatkan akurasi menjadi 98,06% dan macro F1-score menjadi 0,96. Peningkatan kinerja terutama terlihat pada kelas minoritas Anthracnose Fruit Rot dan Powdery Mildew Fruit. Hasil tersebut menunjukkan bahwa fine-tuning mampu meningkatkan kemampuan MobileNetV2 dalam menyesuaikan representasi fitur pralatih terhadap karakteristik visual penyakit stroberi. Meskipun demikian, jumlah sampel yang terbatas pada beberapa kelas menunjukkan perlunya validasi lebih lanjut menggunakan dataset yang lebih besar, seimbang, dan berasal dari kondisi lapangan.