PENERAPAN MODEL HYBRID RESNET50-EFFICIENTNETB0 DAN SMOTE UNTUK DETEKSI PENYAKIT PADA DAUN KENTANG

Abstract

Penelitian ini mengembangkan model hybrid ResNet50-EfficientNetB0 dengan teknik feature fusion berbasis concatenation untuk meningkatkan akurasi deteksi penyakit daun kentang. Dataset yang digunakan terdiri dari 1.705 citra dengan tujuh kategori dan rasio ketidakseimbangan kelas sebesar 9,66:1. Untuk mengatasi ketidakseimbangan tersebut, diterapkan metode Synthetic Minority Over-sampling Technique (SMOTE) pada ruang fitur pelatihan. Evaluasi dilakukan menggunakan Stratified 5-Fold Cross Validation terhadap enam skenario kombinasi arsitektur dan kondisi data. Hasil menunjukkan bahwa model Hybrid dengan SMOTE mencapai performa terbaik dengan akurasi 83,93%, presisi 84,51%, F1-Score 83,93%, dan ROC-AUC 0,9774, mengungguli arsitektur ResNet50 maupun EfficientNetB0 secara individual. SMOTE terbukti memberikan dampak positif, terutama pada EfficientNetB0 dengan peningkatan akurasi sebesar 1,94 poin persentase.