Penyakit daun padi merupakan ancaman serius terhadap produktivitas pertanian di
Indonesia. Identifikasi secara manual memiliki keterbatasan akibat kemiripan
gejala antarpenyakit, kebutuhan keahlian khusus, dan risiko kesalahan diagnosis.
Penelitian ini bertujuan membangun dan membandingkan sistem klasifikasi
penyakit daun padi berbasis citra digital menggunakan arsitektur EfficientNet-B0
dan EfficientNet-B1 dengan pendekatan transfer learning, serta mengevaluasi
pengaruh tiga skenario augmentasi data terhadap performa model. Dataset terdiri
dari 6.932 citra daun padi dalam lima kelas: Bacterial Blight, Blast, Brown Spot,
Tungro, dan Sehat, dengan rasio pembagian data 70:15:15 untuk pelatihan, validasi,
dan pengujian. Tahap preprocessing meliputi resize ke ukuran 224×224 piksel (B0)
dan 240×240 piksel (B1), normalisasi piksel, serta augmentasi data berupa rotasi,
horizontal flip, zoom, dan penyesuaian kecerahan. Pelatihan dilakukan dalam dua
fase, yaitu freezing dan fine-tuning, menggunakan optimizer Adam dengan learning
rate 1×10?. Pelatihan dilengkapi mekanisme model checkpoint, EarlyStopping, dan
ReduceLROnPlateau. Evaluasi dilakukan pada tiga skenario augmentasi: tanpa
augmentasi (Skenario 1), augmentasi parsial kelas Sehat ke 1.300 citra (Skenario
2), dan augmentasi seluruh kelas ke 1.600 citra (Skenario 3). Pada evaluasi baseline
(Skenario 1), EfficientNet-B0 mencapai akurasi 99,52?n EfficientNet-B1
mencapai akurasi 99,90%. Performa terbaik EfficientNet-B0 diperoleh pada
Skenario 3 dengan akurasi 99,75%, sedangkan EfficientNet-B1 mencapai performa
puncak pada Skenario 2 dengan akurasi sempurna 100,00%. EfficientNet-B1
mengungguli EfficientNet-B0 di seluruh skenario dan metrik evaluasi,
menjadikannya pilihan terbaik untuk aplikasi yang memprioritaskan akurasi tinggi.
Sementara itu, EfficientNet-B0 tetap kompetitif untuk implementasi pada
perangkat dengan sumber daya komputasi terbatas.