Evaluasi Kinerja CNN dengan Optimizer RMSprop, Adam dan SGD dalam Klasifikasi Penyakit Daun Anggur

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja metode Convolutional Neural Network (CNN) dalam mendeteksi dan mengklasifikasikan penyakit pada daun tanaman anggur, serta mengukur tingkat akurasi dari masing-masing model CNN dengan cara membandingkan tiga optimizer. Dataset daun tanaman anggur yang terinfeksi penyakit digunakan dan diproses dengan teknik augmentasi data. Model CNN yang diterapkan menggunakan arsitektur DenseNet-121 dengan transfer learning dan diuji dengan berbagai optimizer: RMSprop (Root Mean Square Propagation), Adam, dan SGD (Stochastic Gradient Descent) pada 3 nilai learning rate yang berbeda. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa bahwa akurasi tertinggi diperoleh pada learning rate 0.001, dengan Adam sebagai optimizer terbaik yang mencapai akurasi 99.45%. Secara umum, semua optimizer menunjukkan performa optimal pada learning rate 0.1 dan 0.001 dengan akurasi di atas 99%, sementara penurunan akurasi terjadi pada learning rate 0.00001, yang mencapai sekitar 97.73% untuk semua optimizer. Temuan ini menegaskan bahwa pemilihan learning rate yang tepat berperan penting dalam meningkatkan akurasi CNN dalam tugas klasifikasi.