Implementasi Ensemble Deep Learning untuk Klasifikasi Penyakit pada Tanaman Padi

Padi adalah salah satu komoditas pangan yang penting untuk dunia terutama negara-negara Asia. Hal tersebut dapat terlihat pada statistik konsumsi beras di dunia, lima negara Asia menempati urutan teratas dengan Indonesia di posisi kelima. Namun, tidak dapat dipungkiri, banyak penyakit yang dapat menyerang tanaman padi melalui berbagai faktor seperti cuaca, kebersihan tanah, dan serangan hama. Sehingga dapat menurunkan produksi tanaman padi, bahkan untuk salah satu penyakit padi yaitu Rice Blast menjadi penyebab turunnya produksi padi sebesar 10-30%. Penyakit tanaman padi sendiri diperkirakan berjumlah 19 penyakit, tetapi pada penelitian ini hanya menggunakan 9 jenis penyakit pada dataset yang diambil dari India bagian selatan. Pengambilan 9 jenis penyakit ini juga didasari kesamaan iklim antara India bagian selatan dan Indonesia dengan penyakit padi yang sama. Dengan banyaknya jenis penyakit pada tanaman padi, menyulitkan petani untuk mengidentifikasi jenis penyakit padi secara tepat. Sehingga diperlukan suatu sistem yang mampu mengidentifikasi penyakit pada tanaman padi secara cepat dan akurat. Deep learning dan ensemble learning merupakan metode yang mampu untuk mempelajari karakteristik dari penyakit tanaman padi dan mampu melakukan proses klasifikasi yang cepat dan akurat. Pada penelitian ini, akan menggunakan dua pre-trained model yaitu EfficientNetV2B0 dan MobileNetV3-Large dan dua metode ensemble yaitu average ensemble dan concatenation ensemble. Untuk mengatasi dataset yang imbalance, penelitian ini menggunakan metode undersampling dan oversampling. Selain itu, untuk mengetahui pengaruh ukuran gambar, penelitian ini juga akan menguji dua ukuran gambar berbeda yaitu 224x224 pixel dan 256x256 pixel. Supaya dapat langsung diimplementasikan oleh petani, penulis juga akan mendesain sistem progressive web app. Hasil yang didapat adalah model average ensemble (oversampling ­ 256 px) memiliki akurasi tertinggi sebesar 93.3%. Untuk waktu prediksi tercepat ketika diimplementasi pada sistem progressive web app, didapatkan oleh MobileNetV3Large (oversampling ­ 224 px) dengan waktu 208 milidetik. Akurasi yang didapat dipengaruhi oleh penggunaan model, teknik balancing dataset, dan ukuran gambar yang berbeda. Sedangkan waktu prediksi dipengaruhi oleh model dan ukuran gambar