Klasifikasi Penyakit pada Tanaman Jagung Berdasarkan Citra Daun Menggunakan VGG16 dengan Hyperparameter Tuning

INDONESIA

Penelitian ini bertujuan menganalisis performa model klasifikasi berbasis arsitektur VGG16 denganpendekatan transfer learning dalam mengklasifikasikan penyakit daun tanaman jagung ke dalam empat kelas, yaitu Gray Leaf Spot, Common Rust, Northern Leaf Blight, dan Healthy, serta menganalisis pengaruh hyperparameter tuning terhadap performa model pada lima variasi rasio pembagian data latih dan data uji. Metode penelitian mencakup prapemrosesan citra, pelatihan model baseline, serta hyperparameter tuning menggunakan Grid Search yang mengeksplorasi kombinasi tiga parameter, yaitu learning rate, batch size, dan dropout rate, menghasilkan delapan kombinasi pada setiap rasio sehingga total terdapat 45 skenario eksperimen. Hasil penelitian menunjukkan bahwa Grid Search berhasil meningkatkan performa model pada empat dari lima rasio yang diuji, dengan akurasi dan F1-score terbaik secara keseluruhan dicapai pada rasio 60:40 menggunakan kombinasi learning rate 0,0005, batch size 32, dan dropout rate 0,3, yaitu sebesar 93,67% dan 93,74%. Dropout rate 0,3 secara konsisten menjadi konfigurasi optimal pada seluruh rasio, sementara kelas Gray Leaf Spot secara konsisten menjadi kelas dengan performa terendah karena kemiripan visualnya dengan Northern Leaf Blight. Hyperparameter tuning secara sistematis terbukti lebih efektif dibandingkan penggunaan parameter default dalam meningkatkan performa klasifikasi penyakit daun jagung berbasis citra.

INGGRIS

This research aims to analyze the performance of a classification model based on the VGG16 architecture using a transfer learning approach to classify corn leaf diseases into four classes, namely Gray Leaf Spot, Common Rust, Northern Leaf Blight, and Healthy, as well as to analyze the effect of hyperparameter tuning on model performance across five variations of training-testing data split ratios. The research method includes image preprocessing, baseline model training, and hyperparameter tuning using Grid Search that explores combinations of three parameters, namely learning rate, batch size, and dropout rate, producing eight combinations for each ratio, resulting in a total of 45 experimental scenarios. The results show that Grid Search successfully improved model performance in four out of the five tested ratios, with the best overall accuracy and F1- score achieved at the 60:40 ratio using a combination of learning rate 0.0005, batch size 32, and dropout rate 0.3, reaching 93.67% and 93.74% respectively. A dropout rate of 0.3 consistently proved to be the optimal configuration across all ratios, while the Gray Leaf Spot class consistently showed the lowest performance due to its visual similarity to Northern Leaf Blight. Systematic hyperparameter tuning proved more effective than using
default parameters in improving the performance of image-based corn leaf disease classification.

ARAB

هتدف هذه الدراسة إىل حتليل أداء منوذج تصنيف يعتمد على بنيةVGG16ابستخدام أسلوب التعلم ابلنقل(Transfer Learning)لتصنيف أمراض أوراق نبات الذرة إىل أربع فئات، وهي تبقع األوراق الرمادي(Gray Leaf Spot)،والصدأ الشائع (Common Rust)،وحرق األوراق الشمايل(Northern Leaf Blight،)واألوراق الصحية(Healthy)،كما هتدف إىل حتليل أتثري ضبط املعامالت الفائقة على أداء النموذج عرب مخس نسب خمتلفة لتقسيمبياانتالتدريب واالختبار.تشمل منهجية البحث املعاجلة املسبقة للصور، وتدريب النموذج األساسي(Baseline،)وضبطاملعامالت الفائقة ابستخدام طريقة البحث الشبكي (Dropout Rate،) مما ينتجعنه مثاين توليفات لكل نسبة، وبذلك يصل إمجايل السيناريوهاتالتجريبية (Batch Size،)ومعدل اإلسقاط (Learning Rate،)وحجم الدفعة (Grid Search)اليت تستكشف توليفات ثالثة معامالت، وهيمعدل التعلم إىل٤٥سيناريو. أظهرت النتائج أن طريقة البحث الشبكي جنحت يف حتسني أداء النموذج يف أربع من النسب اخلمس اليتتاختبارها إىل٤٥سيناريو. أظهرت النتائج أن طريقة البحث الشبكي جنحت يف حتسني أداء النموذج يف أربع من النسب اخلمس اليتتاختبارها ، حيث ت حتقيق أفضل دقة ودرجة F1اإلمجالية عند النسبة٦٠:٤٠ابستخدام توليفة معدل التعلم٠٫٠٠٠٥، وحجم الدفعة٣٢ ومعدل اإلسقاط٠٫٣، بنسبة دقة بلغت٩٣٫٦٧٪ ودرجة األمثل بشكل اثبت يف مجيع النسب، يف حني كانت فئة تبقع األوراق الرمادي (Gray Leaf Spot)ابستمرار الفئة ذات األداء F1بلغت٩٣٫٧٤٪. وقد ثبت أن معدل اإلسقاط٠٫٣هو التكوين األضعف نظرًا لتشاهبها البصري مع حرق األوراق الشمايل بشكل منهجي أكثر فعالية من استخدام املعامالت االفرتاضية يف حتسني أداء تصنيف أمراض أوراق الذرة ابستخدام الصور (Northern Leaf Blight.)وقد تبني أن ضبط املعامالت الفائقة