Model Hibrida CNN Berbobot dan Model Adaboost Decision Tree untuk Klasifikasi Penyakit Kubis pada Dataset Tidak Seimbang

Abstrak

Metode klasifikasi berbasis gambar banyak digunakan dalam bidang pertanian untuk mendeteksi penyakit pada berbagai tanaman, termasuk jenis yang rentan terhadap infeksi seperti kubis. Namun, performa optimal dalam klasifikasi gambar sangat dipengaruhi oleh jumlah dan keseimbangan data. Ketidakseimbangan data dalam klasifikasi penyakit tanaman kubis dapat menyebabkan model lebih memfokuskan perhatian pada kelas mayoritas, sehingga mengabaikan kelas minoritas, terutama pada klasifikasi multi-kelas. CNN sering digunakan dalam klasifikasi gambar, tetapi memiliki kelemahan dalam menangani data tidak seimbang karena cenderung lebih fokus pada kelas mayoritas. Untuk mengatasi permasalahan ini, dikembangkan model Hybrid yang mengombinasikan metode pembobotan pada CNN untuk ekstraksi fitur, model estimasi menggunakan Decision Tree, serta teknik ensemble Adaboost pada tahap klasifikasi. Pendekatan ini dirancang untuk meningkatkan kemampuan generalisasi terhadap kelas minoritas serta menghasilkan distribusi prediksi yang lebih seimbang. Hasil penelitian menunjukkan bahwa model Hybrid yang diusulkan mampu meningkatkan performa klasifikasi sebagaimana terlihat dari peningkatan Weighted Average F1-score menjadi 97%, dibandingkan model CNN tunggal dengan pembobotan yang hanya mencapai 63%. Peningkatan ini menunjukkan bahwa model Hybrid tidak hanya lebih efektif dalam menangani ketidakseimbangan data, tetapi juga mampu melakukan generalisasi yang lebih baik.

Abstract

Image-based classification methods are widely used in agriculture to detect diseases in various plants, including those susceptible to infections, such as cabbage. However, achieving optimal performance in image classification is highly influenced by the quantity and balance of the data. Data imbalance in cabbage disease classification can cause the model to focus more on the majority class while neglecting the minority class, especially in multi-class classification. CNN is commonly used for image classification but struggles with imbalanced data, as it tends to prioritize the majority class. To address this issue, a hybrid model has been developed by combining weighting techniques in CNN for feature extraction, a Decision Tree for estimation, and the Adaboost ensemble technique for classification. This approach is designed to enhance generalization for minority classes and produce a more balanced prediction distribution. The results of the study indicate that the proposed Hybrid model is capable of improving classification performance, as evidenced by an increase in the Weighted Average F1-score to 97%, compared to the weighted CNN model, which achieved only 63%. This improvement demonstrates that the Hybrid model is not only more effective in addressing data imbalance but also better at generalizing the data.