Komparasi MobilenetV2, VGG16, Dan InceptionV3 Menggunakan Pendekatan Fine Tuning Dan Non Fine Tuning Untuk Klasifikasi Penyakit Daun Tomat

Identifikasi penyakit daun tomat di kalangan petani masih dilakukan secara konvensional melalui pengamatan visual, sehingga rawan menimbulkan kesalahan penanganan akibat keterbatasan kemampuan mata manusia dalam mengenali gejala penyakit secara akurat, padahal penyakit dapat disebabkan oleh bakteri, jamur, maupun virus yang memerlukan penanganan berbeda. Penelitian ini bertujuan membandingkan kinerja tiga arsitektur Convolutional Neural Network berbasis transfer learning, yaitu MobileNetV2, VGG16, dan InceptionV3, dengan menerapkan dua pendekatan pelatihan, yaitu non fine tuning dan fine tuning, sehingga menghasilkan enam skenario pengujian untuk mengklasifikasikan 10 kelas penyakit daun tomat. Dataset yang digunakan bersumber dari platform Roboflow Universe berupa 9.799 citra daun tomat yang dibagi menjadi data latih, validasi, dan uji dengan proporsi 70 berbanding 10 berbanding 20. Setiap model dievaluasi pada data uji menggunakan metrik akurasi, precision, recall, dan F1 score. Hasil penelitian menunjukkan bahwa VGG16 secara konsisten memperoleh akurasi tertinggi pada kedua pendekatan pelatihan, yaitu 92,22% pada non fine tuning dan 96,85% pada fine tuning, diikuti InceptionV3 sebesar 90,24% dan 96,09%, serta MobileNetV2 sebesar 89,43% dan 95,37%. Penerapan fine tuning terbukti meningkatkan akurasi seluruh arsitektur, dengan peningkatan terbesar pada MobileNetV2 sebesar 5,94 poin persentase. Skenario terbaik diperoleh dari kombinasi VGG16 dengan fine tuning, dengan akurasi 96,85%, precision 0,9700, recall 0,9685, dan F1 score 0,9684, sehingga direkomendasikan sebagai kombinasi paling optimal. Model terbaik tersebut selanjutnya diimplementasikan ke dalam aplikasi berbasis website bernama TomatoScan menggunakan framework Streamlit, yang memungkinkan pengguna mengunggah citra daun tomat dan memperoleh hasil deteksi penyakit beserta rekomendasi penanganannya secara langsung.