KLASIFIKASI PENYAKIT DAN HAMA DAUN CABAI MENGGUNAKAN ARSITEKTUR CONVNEXT V2 BERBASIS MASKED AUTOENCODERS

Serangan hama dan penyakit pada tanaman cabai kerap menjadi salah satu faktor utama penurunan produktivitas hasil panen, sementara proses identifikasi yang dilakukan secara manual oleh petani rentan mengalami kesalahan akibat tingginya kemiripan karakteristik visual gejala pada permukaan daun. Guna mengatasi permasalahan tersebut, penelitian ini menerapkan arsitektur ConvNeXt V2 Tiny berbasis Masked Autoencoders (MAE) dengan pendekatan transfer learning untuk mengklasifikasikan lima kondisi daun cabai secara otomatis, yaitu Daun Sehat, Leaf Curl, Yellowish, Leaf Spot, dan Whitefly. Pengujian dilaksanakan melalui dua skenario komparatif, yakni Skenario A yang menerapkan teknik augmentasi data on-the-fly dan Skenario B tanpa augmentasi data. Penelitian ini menggunakan dataset berjumlah 2.100 citra digital yang bersumber dari platform Kaggle, dengan pembagian data dilakukan melalui metode Stratified Split menjadi 80% data latih, 10% data validasi, dan 10% data uji. Evaluasi model dilakukan secara kuantitatif melalui metrik classification report serta grafik riwayat pelatihan, dan dianalisis secara kualitatif menggunakan metode visualisasi Grad-CAM. Berdasarkan hasil penelitian, dapat disimpulkan bahwa arsitektur ConvNeXt V2 Tiny yang didukung teknik augmentasi data (Skenario A) terbukti sangat efektif dan andal, dengan menghasilkan performa tertinggi berupa nilai akurasi sebesar 95,71%, presisi sebesar 95,79%, serta nilai recall dan F1-score yang mencapai 95,71%. Penerapan teknik augmentasi pada Skenario A terbukti berhasil mengatasi permasalahan overfitting, berbeda halnya dengan Skenario B yang mengalami penurunan kemampuan generalisasi akibat munculnya celah divergensi pada kurva akurasi dan loss di riwayat pelatihan Fase 2, yang diperkuat pula oleh hasil visualisasi Grad-CAM yang menunjukkan fokus atensi model terdistorsi oleh elemen latar belakang citra.