Abstrak
Deteksi penyakit tanaman pada citra lapangan terhambat oleh latar belakang kompleks (banyak objek selain daun) yang menyebabkan model CNN tidak mendapatkan akurasi yang diharapkan. Tugas akhir ini mengatasi masalah tersebut dengan mengusulkan metode dua tahap pada dataset 9.047 citra, dari dataset FieldPlant yang telah dikembangkan, terdiri dari tanaman singkong, jagung, dan tomat. Tahap pertama menggunakan pretrained Segment Anything Model 2 (SAM2) untuk melakukan segmentasi daun, diikuti oleh tahap klasifikasi menggunakan ensemble stacking yang menggabungkan tiga model pretrained (EfficientNetB0, MobileNetV3Large, DenseNet201) yang telah di finetuning dan dimodifikasi, dengan random forest sebagai meta-learner. Hasil pengujian menunjukkan performa dengan akurasi mencapai 90.37% pada data uji tersegmentasi. Sebagai kesimpulan, metode yang diusulkan terbukti mampu meningkatkan robustisitas sistem, yang divalidasi oleh kemampuannya meraih akurasi 82.71% saat diuji pada citra lapangan asli (tidak tersegmentasi), menunjukkan potensinya untuk implementasi dunia nyata.
Kata kunci: mobilenetv3large, ensemble, plant disease classification, segment anything model, squeeze-and-excitation, cnn