PENERAPAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN PENDEKATAN GRAD-CAM UNTUK KLASIFIKASI PENYAKIT TANAMAN PADI

Penyakit tanaman padi merupakan salah satu faktor utama yang menghambat produktivitas pangan global. Penelitian ini bertujuan untuk mengembangkan model klasifikasi otomatis penyakit daun padi menggunakan tiga arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV2, DenseNet121, dan NASNetMobile, serta membandingkan performa ketiganya dengan variasi optimizer AdamW, Nadam, dan RMSprop. Selain itu, metode Explainable AI (XAI) berbasis Grad-CAM diterapkan untuk memberikan visualisasi interpretatif terhadap keputusan model. Dataset yang digunakan mencakup empat kategori, yaitu Bacterial Blight, Blast, Brownspot, dan Tungro. Hasil eksperimen menunjukkan bahwa arsitektur DenseNet121 dengan optimizer Nadam mencapai performa terbaik dengan akurasi sebesar 97%. MobileNetV2 menunjukkan efisiensi yang tinggi dengan akurasi 96% menggunakan RMSprop, sementara NASNetMobile dengan AdamW mencatatkan akurasi terendah pada angka 89% akibat kendala misklasifikasi pada fitur visual yang serupa. Implementasi Grad-CAM berhasil menunjukkan bahwa model berfokus pada area lesi daun yang relevan, sehingga meningkatkan transparansi dan kepercayaan pada sistem klasifikasi. Penelitian ini menyimpulkan bahwa penggunaan arsitektur dengan konektivitas padat dan optimizer adaptif sangat efektif untuk identifikasi penyakit padi secara akurat.