TRADE-OFF PERFORMA DAN EFISIENSI KOMPUTASI TIGA ARSITEKTUR DEEP LEARNING UNTUK KLASIFIKASI PENYAKIT DAUN TEBU SECARA OTOMATIS

Abstract

Tanaman tebu merupakan komoditas perkebunan strategis yang produktivitasnya kerap terancam oleh serangan penyakit daun.
Identifikasi penyakit secara visual manual masih banyak digunakan di lapangan, namun pendekatan ini memakan waktu lama,
bersifat subjektif, dan rentan terhadap kesalahan. Deep learning menawarkan solusi otomatisasi klasifikasi penyakit tanaman,
tetapi studi yang membandingkan secara komprehensif trade-off antara akurasi dan efisiensi komputasi antararsitektur masih
terbatas jumlahnya. Penelitian ini bertujuan menganalisis secara komparatif kinerja DenseNet-121, ConvNeXt-Tiny, dan
YOLOv11s-CLS dalam mengklasifikasikan delapan kelas kondisi daun tanaman tebu. Metode penelitian menggunakan dataset
gabungan sebanyak 4.075 citra yang dibagi secara stratified dengan rasio 70:15:15, serta pendekatan transfer learning berbasis
ImageNet pada ketiga arsitektur. Evaluasi dilakukan pada tiga dimensi, yaitu kinerja klasifikasi, kemampuan generalisasi, dan
efisiensi komputasi. Hasil pengujian menunjukkan DenseNet-121 memperoleh accuracy tertinggi sebesar 93,14% dan F1-
score macro 91,09%, ConvNeXt-Tiny unggul pada precision macro sebesar 92,59%, sedangkan YOLOv11s-CLS mencatatkan
accuracy 92,81% dengan jumlah parameter, ukuran model, FLOPs, dan waktu inferensi terendah yaitu 4,70 milidetik serta
generalization gap terkecil sebesar 0,0027. Penelitian ini menyimpulkan bahwa DenseNet-121 sesuai untuk skenario yang
memprioritaskan akurasi, sedangkan YOLOv11s-CLS direkomendasikan sebagai model dengan keseimbangan performa dan
efisiensi terbaik untuk implementasi pada perangkat berdaya komputasi terbatas.