Implementasi Arsitektural Resnet-34 Dalam Klasifikasi Gambar Penyakit Pada Daun Kentang

Penelitian ini mengembangkan dan mengimplementasikan metode klasifikasi gambar menggunakan arsitektur Residual Network (ResNet) yang merupakan arsitektur CNN untuk mengidentifikasi penyakit daun kentang, yang berhasil mencapai akurasi sekitar 97%. Dataset yang digunakan terdiri dari 2152 gambar daun kentang, yang dikategorikan ke dalam tiga kelas: early blight, late blight, dan healthy. Model yang dipilih adalah ResNet-34, yang terkenal dengan kemampuannya untuk mengatasi masalah vanishing gradient dan memungkinkan pelatihan jaringan yang sangat dalam. Proses pelatihan model melibatkan augmentasi data untuk meningkatkan keragaman dataset dan mencegah overfitting. Selain itu, optimisasi hyperparameter dilakukan untuk memaksimalkan kinerja model. Evaluasi terhadap model menunjukkan bahwa ResNet-34 mampu mencapai akurasi sekitar 97% pada data uji, yang mengindikasikan kemampuan tinggi model dalam mengenali dan mengklasifikasikan kondisi daun kentang dengan tepat. Hasil ini menunjukkan potensi besar penggunaan ResNet dalam aplikasi klasifikasi gambar penyakit tanaman, yang sangat penting untuk mendukung pengambilan keputusan dalam manajemen pertanian. Penelitian ini menekankan pentingnya arsitektur jaringan yang dalam dan teknik augmentasi data dalam meningkatkan performa model pembelajaran mendalam.