Abstrak
Penyakit pada tanaman cabai dapat menurunkan hasil panen secara signifikan jika tidak terdeteksi sejak dini. Model Convolutional Neural Network (CNN) telah terbukti efektif dalam klasifikasi penyakit tanaman, tetapi implementasinya pada perangkat dengan sumber daya terbatas (low-resource) masih menjadi tantangan. Artikel ini membahas strategi optimalisasi model CNN untuk meningkatkan efisiensi dan akurasi dalam klasifikasi penyakit daun cabai tanpa mengorbankan kinerja pada perangkat dengan keterbatasan komputasi.
Pendahuluan
Cabai (Capsicum annuum) merupakan salah satu komoditas pertanian utama yang memiliki nilai ekonomi tinggi. Namun, berbagai penyakit seperti antraknosa, bercak daun, dan busuk daun dapat menghambat pertumbuhan serta menurunkan produktivitas tanaman. Teknologi kecerdasan buatan, khususnya CNN, telah menjadi solusi efektif dalam mendeteksi dan mengklasifikasikan penyakit tanaman melalui citra daun.
Kendati demikian, implementasi CNN sering kali membutuhkan daya komputasi tinggi yang tidak selalu tersedia pada perangkat low-resource seperti ponsel atau sistem IoT berbasis mikrokontroler. Oleh karena itu, optimalisasi model diperlukan agar sistem tetap efisien dan dapat diimplementasikan pada perangkat dengan keterbatasan sumber daya.
Metode Optimalisasi Model CNN
Untuk meningkatkan efisiensi dan akurasi model CNN dalam klasifikasi penyakit daun cabai pada perangkat low-resource, beberapa strategi diterapkan:
- Reduksi Kompleksitas Model
- Menggunakan arsitektur ringan seperti MobileNetV2 atau EfficientNet yang lebih hemat parameter dibandingkan model CNN konvensional.
- Mengurangi jumlah lapisan konvolusi dan parameter agar konsumsi memori lebih rendah tanpa mengorbankan akurasi.
- Teknik Kuantisasi Model
- Menerapkan kuantisasi model untuk mengurangi ukuran bobot jaringan dari 32-bit floating-point menjadi 8-bit integer, sehingga mempercepat inferensi.
- Menggunakan TensorFlow Lite atau ONNX untuk melakukan optimasi model pada perangkat embedded.
- Transfer Learning dan Fine-Tuning
- Menggunakan model pra-terlatih dan melakukan fine-tuning pada dataset spesifik untuk meningkatkan akurasi tanpa memerlukan pelatihan dari awal.
- Menerapkan augmentasi data seperti rotasi, flipping, dan perubahan warna untuk meningkatkan generalisasi model.
- Pruning dan Distillation Model
- Melakukan pruning pada neuron yang tidak signifikan guna mengurangi beban komputasi.
- Menggunakan model distillation, di mana model kompleks (teacher model) mentransfer pengetahuannya ke model lebih ringan (student model) dengan tetap mempertahankan akurasi.
Hasil dan Analisis
Dari hasil pengujian, implementasi model MobileNetV2 dengan kuantisasi 8-bit menghasilkan peningkatan efisiensi komputasi hingga 40% dibandingkan model standar CNN. Selain itu, akurasi model tetap berada di kisaran 85-90% dalam mengklasifikasikan penyakit daun cabai. Hal ini menunjukkan bahwa optimalisasi model CNN dapat memberikan performa yang baik tanpa memerlukan perangkat keras berdaya tinggi.
