PENINGKATAN PERFORMA KLASIFIKASI PENYAKIT DAUN PADI PADA DATASET TERBATAS MENGGUNAKAN FINE TUNING ARSITEKTUR INCEPTIONV3RoyJordyauthorPenyakit 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.000 Ilmu komputer, informasi dan pekerjaan umum2026-01-06Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis