Analisis Perbandingan Perfoma Arsitektur Efficientnet-B0 dan Resnet-50 Dalam Klasifikasi Hama Padi
DOI:
https://doi.org/10.62712/juktisi.v5i2.1689Keywords:
Hama Padi, Visi Komputer, Convolutional Neural Network, ResNet-50, EfficientNet-B0Abstract
Serangan hama tanaman merupakan salah satu faktor utama yang mendegradasi produktivitas padi (Oryza sativa) dan mengancam ketahanan pangan. Identifikasi hama secara konvensional oleh petani sering kali bersifat subjektif, lambat, dan rentan terhadap kesalahan diagnosis. Penelitian ini bertujuan untuk melakukan analisis perbandingan performa antara arsitektur deep learning efficientnet-B0 dan arsitektur berbasis residual block (ResNet-50) untuk klasifikasi hama padi otomatis berbasis visi komputer. Dataset yang digunakan mencakup lima kelas utama, yaitu Wereng Cokelat (Nilaparvata lugens), Ulat Grayak (Spodoptera frugiperda), Rice Hispa (Dicladispa armigera), Walang Sangit (Leptocorisa oratorius) dan Padi Sehat. Pendekatan transfer learning dengan bobot pre-trained dari ImageNet diterapkan untuk mengoptimalkan proses pelatihan pada kondisi data yang terbatas, dikombinasikan dengan teknik augmentasi gambar on-the-fly untuk menyimulasikan kompleksitas latar belakang lahan persawahan. Hasil eksperimen terkontrol menunjukkan bahwa EfficientNet-B0 memberikan performa yang jauh lebih unggul dengan pencapaian akurasi validasi tertinggi sebesar 97,25% dan F1-score 97,65%, dibandingkan ResNet-50 yang hanya mencapai akurasi 95,85%. Inovasi Compound Scaling pada EfficientNet-B0 terbukti efektif dalam mempertahankan fitur-fitur spasial mikro morfologi serangga sekaligus menekan tingkat misklasifikasi antarspesies hingga di bawah 3%. Selain unggul dalam akurasi, efficientnet-B0 menghasilkan ukuran file model akhir yang jauh lebih ringkas, yaitu 25 MB, berbanding terbalik dengan ResNet-50 yang mencapai 98 MB. Penelitian ini menyimpulkan bahwa efficientnet-B0 merupakan arsitektur yang paling optimal untuk diintegrasikan ke dalam sistem pertanian pintar (smart farming) karena menawarkan keseimbangan terbaik antara akurasi tinggi dan efisiensi memori.
Downloads
References
[1] M. F. Akbar and D. A. Anggadimas, Nanda Martyan Sani, “Klasifikasi Citra Penyakit Daun Padi Dengan Metode CNN Menggunakan Arsitektur ResNet50V2,” J. Comput. Eng. Syst. Sci., vol. 10, no. 1, pp. 299–311, 2025, doi: doi.org/10.24114/cess.v10i2.66960.
[2] N. Istiqomah and M. Murintob, “Klasifikasi Penyakit Padi Berbasis Citra Daun Menggunakan Convolutional Neural Network (CNN),” J. Sarj. Tek. Inform., vol. 12, no. 1, pp. 18–27, 2024, doi: 10.22146/jnteti.v14i3.18791.
[3] D. Saputra, A. F. Pratama, M. D. Fakhri, M. Ahsanur, and F. T. Anggraeny, “Klasifikasi Hama Serangga Pada Pertanian Menggunakan Arsitektur Inception-Resnet-V2,” J. Ilm. Tek. Inform., vol. 19, no. 1, pp. 41–51, 2025, doi: 10.35457/antivirus.v19i1.4107 42.
[4] B. R. Prakosa, M. Ayu, D. Widya, and U. Mahdiyah, “Klasifikasi Serangga Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network ( CNN ),” in Seminar Nasional Inovasi Teknologi, 2025, pp. 754–763. doi: 10.29407/k99dvg58.
[5] B. Kusuma, T. I. Hermanto, and C. D. Lestari, “Klasifikasi Jenis Penyakit Pada Tanaman Padi Menggunakan Algoritma Convolutional Neural Network,” JIKO (Jurnal Inform. dan Komputer), vol. 9, no. 1, p. 40, 2025, doi: 10.26798/jiko.v9i1.1395.
[6] H. N. Niko Pirnando, J. Petrus, and T. Tinaliah, “Klasifikasi Penyakit Daun Padi Menggunakan Convolutional Neural Network dengan Arsitektur AlexNet,” MDP Student Conf., vol. 4, no. 1, pp. 207–214, 2025, doi: 10.35957/mdp-sc.v4i1.11099.
[7] S. Yuliany, Aradea, and Andi Nur Rachman, “Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN),” J. Buana Inform., vol. 13, no. 1, pp. 54–65, 2022, doi: 10.24002/jbi.v13i1.5022.
[8] E. L. Mique and T. D. Palaoag, “Rice pest and disease detection using convolutional neural network,” in ACM International Conference Proceeding Series, 2018, pp. 147–151. doi: 10.1145/3209914.3209945.
[9] C. R. Rahman et al., “Identification and recognition of rice diseases and pests using convolutional neural networks,” Biosyst. Eng., vol. 194, pp. 112–120, 2020, doi: 10.1016/j.biosystemseng.2020.03.020.
[10] A. Akram, K. Fayakun, and H. Ramza, “Klasifikasi Hama Serangga pada Pertanian Menggunakan Metode Convolutional Neural Network,” Build. Informatics, Technol. Sci., vol. 5, no. 2, pp. 397–406, 2023, doi: 10.47065/bits.v5i2.4063.
[11] A. T. Adiana, “Klasifikasi P enyakit Pada Daun Padi Menggunakan Model Hybrid,” vol. 15, no. 2, pp. 258–267, 2025, doi:10.32664/smatika.v15i02.1548.
[12] W. Liang, H. Zhang, G. Zhang, and H. XinCao, “Rice Blast Disease Recognition Using a Deep Convolutional Neural Network,” Sci. Rep., vol. 9, pp. 1–10, 2019, doi:10.1038/s41598-019-38966-0.
[13] A. Hasan, T. A. Layes, A. S. Afridi, S. H. Rifat, F. N. Nur, and N. N. Moon, “A comprehensive dataset of rice leaf images for disease detection using machine learning,” Data Br., vol. 62, pp. 1–15, 2025, doi: 10.1016/j.dib.2025.111977.
[14] H. Ni et al., “Classification of Typical Pests and Diseases of Rice Based on the ECA Attention Mechanism,” Agric., vol. 13, no. 5, 2023, doi: 10.3390/agriculture13051066.
[15] Y. Zheng, W. Zheng, and X. Du, “A lightweight rice pest detection algorithm based on improved YOLOv8,” Sci. Rep., vol. 14, no. 1, 2024, doi: 10.1038/s41598-024-81587-5.
[16] M. T. Roseno, S. Oktarina, Y. Nearti, H. Syaputra, and N. Jayanti, “Comparing CNN Models for Rice Disease Detection: ResNet50, VGG16, and MobileNetV3-Small,” J. Inf. Syst. Informatics, vol. 6, no. 3, pp. 2099–2109, 2024, doi: 10.51519/journalisi.v6i3.865.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Herdianto, Supiyandi
This work is licensed under a Creative Commons Attribution 4.0 International License.
