Komparasi Kinerja Arsitektur CNN MobileNetV2 dan VGG16 untuk Mendeteksi Penyakit Pada Daun Tembakau
DOI:
https://doi.org/10.29407/7wk9yc71Abstract
Tanaman tembakau merupakan salah satu komoditas perkebunan yang memiliki nilai ekonomi tinggi, namun produktivitasnya sering menurun akibat serangan penyakit daun. Proses identifikasi penyakit secara manual dinilai kurang efektif karena membutuhkan waktu yang lama dan bergantung pada kemampuan pengamat. Penelitian ini bertujuan untuk membandingkan performa arsitektur Convolutional Neural Network (CNN) MobileNetV2 dan VGG16 dalam klasifikasi penyakit daun tembakau. Dataset yang digunakan diperoleh dari Roboflow Universe dengan tiga kelas, yaitu alternaria, cercospora, dan healthy. Tahapan penelitian meliputi preprocessing data berupa resizing, normalisasi, dan augmentasi citra, kemudian dilakukan proses pelatihan model menggunakan MobileNetV2 dan VGG16. Evaluasi model dilakukan menggunakan parameter accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa MobileNetV2 memiliki performa lebih baik dengan accuracy 94,32%, precision 94,38%, recall 94,31%, dan F1-score 94,29%, sedangkan VGG16 memperoleh accuracy 80,57%. Berdasarkan hasil tersebut, MobileNetV2 dinilai lebih optimal untuk diterapkan pada sistem deteksi penyakit daun tembakau berbasis web maupun mobile.
Keywords:
Citra Gambar, CNN, MobileNetV2, Penyakit Tembakau, VGG16.##plugins.themes.default.displayStats.downloads##
References
[1] A. Achmadi, B. Akramul Umam, dan A. Anwari, ―Identifikasi Penyakit Daun Tembakau
Berbasis Pengolahan Citra dengan Metode Convolutional Neural Network (CNN) Dan Metode
Transfer Learning,‖ J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 8, no. 1,
hal. 10–16, 2024, doi: 10.47970/siskom-kb.v8i1.654.
[2] I. K. P. Yudhantara, N. K. Kertiasih, dan I. N. S. W. Wijaya, ―Perbandingan Model Klasifikasi
Penyakit Daun Bakau Menggunakan Arsitektur VGG16 dan MobileNetV2,‖ J. Inform. dan Tek.
Elektro Terap., vol. 14, no. 1, 2026, doi: 10.23960/jitet.v14i1.8816.
[3] F. F. Maulana dan N. Rochmawati, ―Klasifikasi Citra Buah Menggunakan Convolutional
Neural Network,‖ J. Informatics Comput. Sci., vol. 1, no. 02, hal. 104–108, 2020, doi:
10.26740/jinacs.v1n02.p104-108.
[4] A. Whardana, D. Febriyanto, M. Katanka, N. Oktavia, dan T. Loria, ―Klasifikasi Penyakit Daun
Anggur dengan Menggunakan Convolutional Neural Network dan Transfer Learning dari
VGG16,‖ J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 7, hal. 198–202, Mar
2024, doi: 10.47970/siskom-kb.v7i2.613.
[5] M. F. Aulia, M. K. Gibran, N. Shafwa, A. Sitorus, A. Nugroho, dan H. A. R. Siregar, ―Transfer
Learning Implementation with MobileNetV2 for Cassava Leaf Disease Detection,‖ vol. 8, no. 1,
hal. 352–361, 2025, doi: 10.36378/jtos.v8i1.4442.
[6] E. F. Himmah, M. Widyaningsih, dan M. Maysaroh, ―Identifikasi Kematangan Buah Kelapa
Sawit Berdasarkan Warna RGB Dan HSV Menggunakan Metode K-Means Clustering,‖ J.
Sains dan Inform., vol. 6, no. 2, hal. 193–202, 2020, doi: 10.34128/jsi.v6i2.242.
[7] L. Alzubaidi et al., Review of deep learning: concepts, CNN architectures, challenges,
applications, future directions, vol. 8, no. 1. Springer International Publishing, 2021. doi:
10.1186/s40537-021-00444-8.
[8] R. A. Jasin dan V. L. Santoso, ―Pengembangan Arsitektur VGG16 dan DCNN7 pada
Convolutional Neural Network dalam Melakukan Klasifikasi Pose Yoga,‖ J. Sist. dan Teknol.
Inf., vol. 11, no. 2, hal. 314, 2023, doi: 10.26418/justin.v11i2.55533.
[9] K. Tamayasa dan L. Dewi, ―ANALISIS PERBANDINGAN MODEL ARSITEKTURMOBILENETV2 DAN EFFICIENTNETB3 DALAM KLASIFIKASI PENYAKIT DAUN
JAGUNG,‖ J. Inform. dan Tek. Elektro Terap., vol. 14, Jan 2026, doi:
10.23960/jitet.v14i1.8624.
[10] Y. Y. Lase, L. P. Purba, S. Prayudani, dan A. R. Lubis, ―Analisis Deteksi Penyakit Daun Pisang
Menggunakan Ekstraksi Fitur CNN ( MobileNetV2 ) dan Klasifikasi SVM,‖ vol. 4, no. 6, hal.
1569–1578, 2025, doi: 10.55123/insologi.v4i6.6590.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
