Klasifikasi Penyakit Daun Sirih menggunakan Model Arsitektur Convolutional Neural Network dan Vision Transformer

Tanaman sirih (Piper betle L.) merupakan komoditas bernilai tinggi yang rentan terhadap serangan patogen yang dapat menurunkan kualitas panen. Deteksi penyakit secara manual sering kali subjektif, memakan waktu, dan tidak efisien untuk lahan skala besar. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan dan membandingkan performa dua arsitektur deep learning mutakhir, yaitu Convolutional Neural Network (ConvNeXt) dan Vision Transformer (DINOv2), dalam mengklasifikasikan kondisi penyakit pada daun sirih. Penelitian ini menggunakan 2.307 citra daun sirih yang dikategorikan ke dalam tiga kelas: Healthy Leaf, Bacterial Leaf Disease, dan Dried Leaf. Pelatihan model dilakukan melalui teknik transfer learning dengan melakukan fine-tuning pada parameter dasar arsitektur. Kinerja model dievaluasi secara kuantitatif menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan bahwa arsitektur ConvNeXt secara signifikan mengungguli DINOv2 dengan capaian akurasi sebesar 99,03% berbanding 93,72%. Analisis metrik membuktikan ConvNeXt sangat stabil dengan keseimbangan F1-Score yang tinggi di seluruh kelas, sementara DINOv2 menunjukkan kelemahan recall pada pendeteksian infeksi bakteri berskala kecil. Penelitian ini menyimpulkan bahwa arsitektur CNN modern (ConvNeXt) lebih superior, akurat, dan direkomendasikan untuk pengembangan sistem deteksi otomatis penyakit daun sirih dibandingkan Vision Transformer.