Perbandingan Model LightGBM dan CatBoost pada Klasifikasi Penyakit Daun Kacang Tanah Berbasis Ekstraksi Fitur EfficientNet-B2

Abstract

Kacang tanah merupakan salah satu sumber protein dan minyak nabati penting di Indonesia, namun produktivitasnya menurun akibat berbagai penyakit daun yang dipicu oleh infeksi jamur maupun kekurangan unsur hara. Deteksi penyakit berbasis citra secara cepat dan akurat menjadi langkah penting untuk mencegah kerugian hasil panen dan mendukung pengambilan keputusan dini. Penelitian ini membandingkan kinerja dua algoritma gradient boosting Light Gradient Boosting Machine dan Categorical Boosting dalam mengklasifikasikan penyakit daun kacang tanah berdasarkan fitur citra yang diekstraksi menggunakan arsitektur EfficientNet-B2. Dataset terdiri atas 1.876 citra dalam enam kelas, mencakup daun sehat dan beberapa jenis penyakit. Tahapan prapemrosesan meliputi penyesuaian ukuran citra, normalisasi piksel, dan augmentasi citra untuk meningkatkan kemampuan generalisasi model. Fitur yang dihasilkan EfficientNet-B2 diklasifikasikan menggunakan kedua algoritma tersebut dan dievaluasi dengan metrik akurasi, presisi, recall, serta F1-score. Hasil eksperimen menunjukkan bahwa Light Gradient Boosting Machine mencapai akurasi tertinggi sebesar 96,20% dengan waktu pelatihan 58,55 detik, sedangkan Categorical Boosting memperoleh akurasi 95,65% dengan waktu pelatihan 304,80 detik. Temuan ini menegaskan bahwa Light Gradient Boosting Machine lebih efisien secara komputasi sekaligus sedikit lebih unggul dalam akurasi. Secara keseluruhan, pendekatan hibrid ini berpotensi mendukung identifikasi otomatis penyakit daun kacang tanah secara lebih cepat dan andal, sehingga bermanfaat bagi petani dalam pemantauan kesehatan tanaman.