Perbandingan Algoritma Convolutional Neural Network (CNN) Dan Support Vector Machine (SVM) Untuk Klasifikasi Penyakit Anggrek Berbasis Citra Digital

Latar Belakang: Tanaman anggrek memiliki nilai ekonomi tinggi, namun rentan terhadap serangan penyakit. Identifikasi penyakit yang masih dilakukan secara manual sering kali tidak akurat dan tidak konsisten. Teknologi pengolahan citra digital berbasis machine learning, seperti CNN dan SVM, menawarkan solusi otomatis untuk klasifikasi penyakit. Penelitian ini membandingkan kinerja CNN dan SVM dalam mengklasifikasikan penyakit anggrek guna mendukung diagnosis yang lebih cepat dan tepat.
Tujuan: Penelitian ini bertujuan untuk membandingkan performa dua algoritma klasifikasi citra digital, yaitu Convolutional Neural Network (CNN) dan Support Vector Machine (SVM), dalam mendeteksi penyakit pada daun anggrek, guna memperoleh pendekatan terbaik untuk implementasi sistem klasifikasi otomatis.
Metode Penelitian: Dataset terdiri atas 200 citra daun anggrek yang terbagi ke dalam empat kelas: Antraknosa, Bercak Daun, Layu Fusarium, dan Sehat. Model CNN dibangun menggunakan arsitektur MobileNetV2 dengan pendekatan transfer learning dan augmentasi data. Sementara itu, model SVM dilatih pada fitur yang diekstraksi dari MobileNetV2 tanpa lapisan klasifikasi. Evaluasi kinerja mencakup akurasi, presisi, recall, F1-score, dan waktu komputasi.
Hasil: Model SVM menunjukkan performa lebih baik dengan akurasi 80.00%, sedangkan CNN hanya mencapai 67.50%. Seluruh metrik evaluasi menunjukkan dominasi SVM, terutama dalam konteks dataset berukuran kecil.
Kesimpulan: Algoritma SVM terbukti lebih unggul dibandingkan CNN dalam klasifikasi penyakit daun anggrek berbasis citra digital. Sistem klasifikasi telah diimplementasikan ke dalam aplikasi web berbasis Flask, sehingga dapat dimanfaatkan secara praktis. Penelitian ini menjadi dasar bagi pengembangan sistem diagnosis tanaman yang lebih akurat dan efisien. Penelitian lanjutan disarankan untuk memperluas dataset dan melakukan fine-tuning terhadap model CNN.