@mastersthesis{universitasamikomyogyakarta31779,
          school = {Universitas AMIKOM Yogyakarta},
           month = {January},
            year = {2026},
           title = {PENINGKATAN PERFORMA KLASIFIKASI PENYAKIT DAUN
PADI PADA DATASET TERBATAS MENGGUNAKAN FINE
TUNING ARSITEKTUR INCEPTIONV3},
          author = {Roy Jordy},
        keywords = {InceptionV3, fine tuning, klasifikasi, penyakit daun padi, citra digital,  classification, rice leaf disease, digital images},
             url = {https://eprints.amikom.ac.id/id/eprint/31779/},
        abstract = {Penyakit daun padi menjadi salah satu penyebab utama penurunan 
produktivitas pertanian karena mengganggu proses fotosintesis tanaman. Kondisi
ini menuntut sistem identifikasi yang akurat dan konsisten agar penyakit dapat
dideteksi lebih dini. Penelitian ini bertujuan meningkatkan akurasi klasifikasi
penyakit daun padi pada dataset berukuran terbatas melalui penerapan fine tuning
pada arsitektur Convolutional Neural Network InceptionV3. Variasi yang dikaji
meliputi konfigurasi layer trainable, yaitu non trainable, fine tuning parsial pada
layer awal dan layer akhir, serta full fine tuning, dengan penggunaan optimizer
Adam, AdamW, dan SGD.
Hasil penelitian menunjukkan bahwa fine tuning berpengaruh signifikan
terhadap peningkatan akurasi. Model dengan seluruh layer non trainable
menghasilkan akurasi terendah sebesar 70\%. Fine tuning parsial pada layer awal
dan layer akhir meningkatkan akurasi secara bertahap, dengan hasil terbaik
diperoleh pada fine tuning layer akhir menggunakan optimizer Adam di 250 layer
trainable yang mencapai akurasi 96,66\%. Optimizer AdamW dan SGD
menunjukkan performa yang lebih rendah dibandingkan Adam pada konfigurasi
terbaiknya.
Berdasarkan hasil tersebut, dapat disimpulkan bahwa fine tuning parsial
pada layer akhir dengan 250 layer trainable pada arsitektur InceptionV3 merupakan
pendekatan paling efektif untuk meningkatkan akurasi klasifikasi penyakit daun
padi pada dataset berukuran terbatas, karena mampu menyesuaikan representasi
fitur tingkat tinggi tanpa mengganggu fitur dasar yang telah dipelajari oleh model
pretrained. Selain itu, optimizer Adam terbukti menjadi optimizer yang paling tepat
karena menghasilkan akurasi tertinggi dan pembaruan bobot yang stabil selama
proses pelatihan.}
}