DETEKSI PENYAKIT DAUN TOMAT BERBASIS CNN: MODIFIKASI RESNET50 DENGAN CBAM DAN PERBANDINGAN KINERJA DENGAN INCEPTIONV3Christin SoyanDengenauthorPenyakit daun tomat berdampak signifikan terhadap hasil panen, terutama di sektor pertanian tropis. Penelitian ini bertujuan untuk mengklasifikasikan penyakit daun tomat menggunakan tiga arsitektur deep learning, yaitu ResNet-50, ResNet-50 dengan modul Convolutional Block Attention Module (CBAM), dan InceptionV3. Dataset yang digunakan berasal dari Kaggle dan terdiri dari 10 kelas penyakit. Untuk meningkatkan generalisasi model, diterapkan metode transfer learning, augmentasi data, serta teknik regulasi seperti EarlyStopping. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa ResNet-50 dengan CBAM memperoleh akurasi tertinggi sebesar 97%, sedikit lebih tinggi dari ResNet-50 standar 96%, sedangkan InceptionV3 menunjukkan performa terendah 87%. Penambahan CBAM meningkatkan kemampuan model dalam mengenali fitur spasial dan channel yang relevan, sehingga akurasi klasifikasi meningkat. Temuan ini menunjukkan bahwa ResNet-50 dengan CBAM merupakan solusi akurat dan efisien untuk deteksi otomatis penyakit daun tomat dan berpotensi diterapkan dalam sistem pertanian cerdas.000 Ilmu komputer, informasi dan pekerjaan umum2025-11-10Universitas AMIKOM Yogyakarta;Pascasarjana Teknik InformatikaThesis