EVALUASI KINERJA MODEL TRANSFER LEARNING MENGGUNAKAN ENSEMBLE PADA KLASIFIKASI PENYAKIT DAUN TOMAT = PERFORMANCE EVALUATION OF TRANSFER LEARNING MODEL USING ENSEMBLE ON TOMATO LEAF DISEASE CLASSIFICATION

Tomat merupakan salah satu sayuran yang umum dikonsumsi di dunia. Tanaman tomat (Lycopersicum esculentum Mill.) termasuk famili Solanaceae merupakan salah satu komoditas sayuran yang sangat potensial untuk dikembangkan. Produksi tomat di Indonesia sendiri sangat luar biasa, pada tahun 2021 produksi tomat mencapai 1.035.475 (ton). Dan konsiumsi tomat di Indonesia mencapai 1.053.249 (ton), artinya tomat menjadi salah satu buah yang sangat dibutuhkan di Indonesia. Namun karena kebutuhan yang tinggi seringkali terjadi kenaikan harga yang signifikan pada tomat. Hal ini dikarenakan berbagai jenis penyakit yang menghambat produksi tanaman tomat. Oleh karena itu dibutuhkan sebuah metode yang dapat mengidentifikasi penyakit tanaman tomat dengan hasil yang optimal. Metode yang digunakan adalah Deep Learning dengan menggunakan algoritma Convolutional Neural Network (CNN) beserta arsitektur InceptionV3, Xception dan VGG16. Untuk meningkatkan performa model dapat digunakan metode Ensembled Stacking. Deep Learning adalah sebuah metode machine learning yang bekerja dengan cara meniru system kerja otak manusia, system ini disebut Neural Network. CNN merupakan salah satu jenis dari neural network, yang fungsi utamanya digunakan untuk data citra. Ensembled Stacking merupakan metode yang menggabungkan beberapa model untuk mendapatkan satu model dengan peforma terbaik. Penelitian dilakukan dengan 700 data citra penyakit daun tomat yang terbagi menjadi 7 kelas dengan masing-masing kelas memiliki 100 data citra. Dalam penelitian ini dilakukan pembagian data dengan rasio 8:2, data training sebanyak 80% dan data testing sebanyak 20%. Dari tiga arsitektur yang digunakan, model Xception mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 95%. Untuk model InceptionV3 mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 91%. Dan untuk model VGG16 mendapatkan hasil paling rendah dibandingkan dua arsitektur lainnya yaitu akurasi training sebesar 87% dan akurasi validation sebesar 90%. Kemudian selanjutnya digunakan metode Ensembled Stacking untuk menggabungkan tiga model arsitektur yang sudah dibuat. Hasil dari metode ini lebih baik dibandingkan tiga model arsitektur sebelumnya dengan mendapatkan akurasi training sebesar 99% dan akurasi validation sebesar 99%.