Classification of Pineapple Disease Types Using the VGG16 and EfficiennetB7 Model Approaches

Penyakit pada buah nanas merupakan salah satu faktor utama penyebab penurunan kualitas hasil panen dan kerugian ekonomi bagi petani. Identifikasi penyakit secara manual seringkali tidak akurat karena subjektivitas pengamat. Penelitian ini bertujuan untuk mengklasifikasikan jenis penyakit pada buah nanas menggunakan pendekatan Deep Learning dengan membandingkan dua arsitektur populer, yaitu VGG16 dan EfficientNetB7. Dataset yang digunakan berjumlah 215 citra yang terbagi ke dalam empat kelas: Busuk Pangkal, Bercak Hitam, Busuk Inti Buah, dan Nanas Sehat. Karena keterbatasan jumlah data, teknik Transfer Learning dan augmentasi data diterapkan untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa EfficientNetB7 memberikan performa yang lebih unggul dibandingkan VGG16 dengan akurasi validasi sebesar 89,25%, precision 88,50%, dan f1-score 88,20%. Sementara itu, VGG16 mencapai akurasi validasi sebesar 84,50%. Meskipun EfficientNetB7 membutuhkan waktu komputasi yang lebih lama per epoch, keunggulannya dalam mengekstraksi fitur kompleks pada tekstur kulit nanas menjadikannya model yang lebih ideal untuk sistem deteksi penyakit tanaman. Penelitian ini diharapkan dapat menjadi rujukan dalam pengembangan teknologi otomasi pertanian untuk meningkatkan efisiensi penanganan penyakit pascapanen nanas.