Penerapan Hyperparameter Tuning Untuk Optimasi CNN Pada Perancangan Aplikasi Identifikasi Penyakit Cabai

Abstract

Objek Penelitian: Penelitian ini berfokus pada penerapan hyperparameter tuning untuk optimasi Convolutional Neural Network (CNN) dalam perancangan aplikasi identifikasi penyakit pada tanaman cabai. Masalah Penelitian: CNN seringkali mendapatkan akurasi yang rendah dan cenderung mengalami overfitting jika mengalami kekurangan jumlah data. Oleh karena itu, penelitian ini perlu meningkatkan akurasi CNN melalui optimasi hyperparameter untuk menurunkan kemungkinan overfitting. Metode Penelitian: Metode yang digunakan adalah CNN dengan arsitektur Mobile Net V3, dan hyperparameter tuning menggunakan grid search dan random search. Data diambil dari situs Kaggle yang berisi gambar penyakit tanaman cabai dengan lima label kelas. Tahapan penelitian meliputi pengumpulan data, preprocessing, pelatihan model, hyperparameter tuning, dan evaluasi model. Hasil Penelitian: Hasil penelitian menunjukkan bahwa random search memberikan akurasi tertinggi sebesar 82%, sementara grid search menghasilkan akurasi 80%. Aplikasi yang dirancang menggunakan model terbaik dikonversi ke format TensorFlow Lite dan diimplementasikan dalam bahasa pemrograman Kotlin dengan framework Jetpack Compose. Implikasi Hasil Penelitian: Aplikasi identifikasi penyakit cabai berbasis android ini diharapkan dapat membantu petani dalam mengidentifikasi dan menangani secara cepat dan tepat serangan penyakit dan hama pada tanaman cabai. Penggunaan hyperparameter tuning terbukti efektif dalam meningkatkan akurasi model CNN, sehingga dapat diadopsi dalam penelitian serupa untuk meningkatkan performa model dalam berbagai aplikasi deteksi penyakit tanaman lainnya.