Sistem identifikasi penyakit pada daun teh menggunakan metode CNN arsitektur inception V3

Daun teh (Camellia sinensis) merupakan salah satu komoditas perkebunan penting di Indonesia yang memiliki nilai ekonomi serta potensi ekspor yang tinggi, namun produktivitasnya sering menurun akibat penyakit daun seperti algal leaf spot, brown blight, gray blight, dan hama Helopeltis. Penelitian ini bertujuan mengembangkan sistem klasifikasi penyakit daun teh menggunakan algoritma Deep Learning berbasis arsitektur Inception V3 guna menjamin kualitas produk melalui metode Convolutional Neural Network (CNN) yang efisien dalam mendeteksi pola multiscale. Dataset yang digunakan terdiri atas citra daun teh sehat dan enam jenis daun teh yang terinfeksi penyakit. Berdasarkan pengujian menggunakan Stratified K-Fold Cross Validation ($K = 6$), model tanpa data augmentation mencapai rata-rata akurasi sebesar 96,12% dengan akurasi tertinggi mencapai 97,09% pada Fold 6. Hasil optimal tersebut diperoleh melalui kombinasi parameter terbaik yaitu jumlah epoch 50, optimizer Adam, learning rate 0,0001, batch size 64, dan dropout rate 0,3. Performa model tanpa augmentasi ini terbukti lebih unggul dibandingkan dengan hasil pengujian menggunakan data augmentation pada konfigurasi parameter yang sama, yang hanya menghasilkan rata-rata akurasi sebesar 89,245%. Penggunaan learning rate rendah dalam kombinasi tersebut memberikan stabilitas kinerja yang lebih baik, sehingga sistem ini diharapkan dapat mendukung penerapan teknologi artificial intelligence dalam deteksi dini penyakit tanaman teh di Indonesia. Implementasi sistem ini secara praktis diharapkan dapat membantu petani dalam mengambil tindakan pengendalian yang tepat sasaran guna meminimalkan kerugian hasil panen secara signifikan.