%A Christin Soyan Dengen
%X Penyakit 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.
%T DETEKSI PENYAKIT DAUN TOMAT BERBASIS CNN:
MODIFIKASI RESNET50 DENGAN CBAM DAN 
PERBANDINGAN KINERJA DENGAN INCEPTIONV3
%I Universitas AMIKOM Yogyakarta
%K CNN, ResNet-50, CBAM, InceptionV3, penyakit daun tomat, deteksi
penyakit,  tomato leaf disease, disease
detection
%L universitasamikomyogyakarta31753
%D 2025