Implementasi Deep Convolutional Generative Adversarial Networks (Dcgan) Untuk Augmentasi Data Dalam Deteksi Penyakit Daun Padi

Padi (Oryza sativa L.) merupakan komoditas pangan utama di Indonesia yang rentan terhadap penyakit daun seperti bacterial leaf blight, brown spot, dan leaf smut, yang dapat menurunkan hasil panen secara signifikan jika tidak ditangani tepat waktu. Penelitian ini bertujuan untuk mengevaluasi penggunaan Deep Convolutional Generative Adversarial Networks (DCGAN) dalam augmentasi data untuk mendeteksi penyakit daun padi dengan dataset terbatas. Sebelum data gambar diproses oleh DCGAN, dilakukan prapemrosesan dengan mengubah ukuran gambar menjadi 128x128 piksel menggunakan interpolasi bilinear dan normalisasi piksel ke rentang -1 hingga 1, sesuai kebutuhan jaringan generator dan discriminator yang menggunakan aktivasi tanh. Augmentasi data menggunakan DCGAN dilakukan untuk menghasilkan tambahan dataset yang meningkat 1 hingga 4 kali lipat dari dataset asli. Evaluasi menggunakan Fréchet Inception Distance (FID) menunjukkan bahwa model terbaik diperoleh saat augmentasi 3 kali lipat, menghasilkan 360 gambar baru dengan skor FID sekitar 300, yang mengindikasikan bahwa gambar yang dihasilkan belum sepenuhnya menyerupai dataset asli. Meskipun begitu, model klasifikasi berbasis transfer learning dengan arsitektur GoogLeNet yang dilatih menggunakan dataset yang diperluas ini mencapai akurasi 93% dalam mendeteksi penyakit daun padi. Hasil ini menunjukkan bahwa augmentasi data dengan DCGAN dapat meningkatkan kinerja deteksi penyakit daun padi, meskipun kualitas gambar sintesis masih memerlukan perbaikan lebih lanjut.