Pemanfaatan Arsitektur Mobilenetv3 Untuk Klasifikasi Hama Tanaman Padi

Abstract

Padi merupakan komoditas utama dalam ketahanan pangan nasional, namun produktivitasnya sering menurun akibat serangan hama. Identifikasi manual hama dinilai tidak efisien, sehingga dibutuhkan sistem otomatis yang akurat. Penelitian ini mengusulkan model klasifikasi citra hama tanaman padi berbasis Convolutional Neural Network dengan arsitektur MobileNetV3-Small melalui pendekatan transfer learning. Proses pengembangan model mengikuti metodologi SEMMA (Sample, Explore, Modify, Model, Assess). Dataset terdiri dari 5.395 citra dengan tujuh kelas hama utama yaitu wereng coklat, wereng hijau, penggerek batang padi, larva, thrips, hama putih palsu, dan kumbang air beras yang bersumber dari Kaggle, serta data uji tambahan dari hasil web scraping untuk mensimulasikan kondisi nyata. Analisis kualitas citra menunjukkan variasi tingkat keburaman dan pencahayaan antar kelas, yang diatasi dengan augmentasi dan class weighting. Model dilatih dengan fine-tuning pada lapisan atas, menggunakan optimisasi Adam dan early stopping selama 30 epoch. Hasil menunjukkan akurasi pelatihan sebesar 94,18%, akurasi validasi 97,58%, dan akurasi uji 98% dengan nilai precision, recall, dan f1-score rata-rata 0,98. Cross validation 5-fold menghasilkan rata-rata akurasi 97,13% dengan deviasi ±0,81, menunjukkan performa stabil. Dibandingkan MobileNetV2, model MobileNetV3-Small unggul secara signifikan baik dalam akurasi maupun efisiensi komputasi (p-value = 0,0269). Hasil ini menunjukkan bahwa arsitektur ringan seperti MobileNetV3-Small efektif untuk klasifikasi hama padi dan berpotensi diimplementasikan dalam sistem deteksi otomatis berbasis aplikasi pertanian cerdas.