Benchmark Multi-Model untuk Klasifikasi Daun Amaranthus Viridis

Abstract

Penelitian ini mengkaji klasifikasi kesehatan daun Amaranthus viridis menggunakan sepuluh algoritma machine learning dalam kerangka eksperimen yang terstandarisasi dan terkontrol. Dataset yang digunakan berupa citra daun dengan dua kelas, yaitu sehat dan terinfeksi, dengan distribusi tidak seimbang untuk merepresentasikan kondisi nyata. Tahapan penelitian meliputi preprocessing citra, ekstraksi fitur berbasis piksel, pembagian data menggunakan Stratified Train-Test Split, serta evaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil menunjukkan bahwa XGBoost mencapai performa terbaik dengan F1-Score sebesar 96.78%, diikuti oleh AdaBoost dan Bagging, sementara model sederhana menunjukkan performa lebih rendah. Analisis menunjukkan adanya bias terhadap kelas mayoritas akibat ketidakseimbangan data, sehingga F1-Score menjadi metrik yang lebih representatif dibandingkan Accuracy. Penelitian ini menegaskan bahwa model berbasis boosting lebih efektif dalam menangani data tidak seimbang serta memberikan benchmark yang dapat digunakan sebagai acuan dalam pengembangan sistem pertanian cerdas berbasis machine learning