Evaluasi Kinerja Penerapan Multi-Channel Transfer Learning CNN pada Klasifikasi Citra Penyakit Daun Padi

Padi adalah tanaman penghasil beras yang menjadi sumber bahan pokok di Indonesia. Produksi padi di Indonesia sepanjang Januari hingga September 2020
mengalami penurunan dibandingkan produksi di 2019. Identifikasi penyakit daun padi adalah salah satu solusi utama meningkatkan produktivitas. Salah satu metode
yang dapat digunakan untuk melakukan identifikasi adalah dengan melakukan metode klasifikasi menggunakan salah satu kelas deep feedforward artificial neural network yang banyak diaplikasikan pada analisis citra yaitu Convolutional Neural Networks (CNN). Untuk beberapa kasus, jumlah data yang tersedia sedikit dan terbatas. Akibatnya model yang dihasilkan memiliki kinerja jauh di bawah ekspektasi. Oleh karena itu penelitian ini menggunakan metode multi-channel
model berbasis dua arus CNN dan tiga arus CNN menggunakan transfer learning dengan mengkombinasikan ResNet50, InceptionV3, Xception, dan VGG16 sebagai
base model. Hasilnya implementasi arsitektur multi-channel transfer learning CNN menghasilkan kinerja dengan akurasi training 100% dan akurasi testing 95.83%.
Nilai precision, recall, dan f1-score pada model yang dihasilkan juga diatas 0.85 hingga 1.0, dan untuk nilai AUC pada kurva ROC tiap-tiap kelas data citra penyakit
padi yang digunakan mencapai 0.95 hingga 1.0. Secara umum seluruh kinerja yang dihasilkan oleh model dari arsitektur multichannel transfer learning CNN lebih
baik dibandingkan model yang dihasilkan oleh arsitektur transfer learning sederhana.