Klasifikasi Varientas Daun Singkong Menggunakan NASNet Mobile pada Dataset Tidak Seimbang
DOI:
https://doi.org/10.29407/mna6ha74Abstract
Daun singkong merupakan salah satu komoditas pertanian yang memiliki nilai gizi dan ekonomi tinggi sehingga identifikasi jenis daun singkong menjadi penting untuk mendukung pemanfaatan dan budidaya yang tepat. Namun, proses identifikasi secara manual sering mengalami kesalahan akibat kemiripan karakteristik visual antar jenis daun. Penelitian ini bertujuan menganalisis performa arsitektur NASNet Mobile dalam mengklasifikasikan jenis daun singkong secara otomatis pada dataset yang tidak seimbang. Dataset terdiri dari tiga kelas, yaitu daun singkong karet, daun singkong papua, dan daun singkong sayur. Sebelum proses pelatihan, data melalui tahap preprocessing berupa normalisasi dan resize citra, serta augmentasi untuk meningkatkan kualitas dan variasi data. Model dilatih menggunakan arsitektur NASNet Mobile dan dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model NASNet Mobile memperoleh akurasi sebesar 94% dengan weighted average precision sebesar 0,94, recall sebesar 0,94, dan F1-score sebesar 0,94. Hasil tersebut menunjukkan bahwa NASNet Mobile mampu melakukan klasifikasi jenis daun singkong.
Keywords:
Deep learning, klasifikasi citra, NASNet Mobile, daun singkong##plugins.themes.default.displayStats.downloads##
References
[1] A. D. Pamujiati, W. Artini, W. Andajani, and W. Widiyono, “Inovasi Diversifikasi Pangan Lokal
melalui Pemanfaatan Daun Singkong menjadi Keripik sebagai Upaya Pengurangan Limbah dan
Peningkatan Pendapatan Masyarakat,” vol. 5, no. 2, pp. 144–155, 2025.
[2] A. Broiler, “Review: potensi kulit singkong sebagai pakan ternak ayam broiler,” vol. 4, no. 1, pp.
19–26, 2022.
[3] F. A. Arafat, M. N. Ichsan, and M. F. Pramoedya, “Pemanfaatan Arsitektur MOBILENET-CNN
Untuk Mendiagnosis Penyakit Pada Daun Singkong Melalui Teknologi Citra Digital,” vol. 4, pp.
73–78, 2025.
[4] M. I. Rusdi et al., “Pemberdayaan Kepada Masyarakat Melalui Kegiatan Pengolahan Daun
Singkong Untuk Memanfaatkan Hasil Pertanian Sebagai Peningkatan Ekonomi Kreatif,” vol. 2,
no. 2, pp. 535–549, 2023.
[5] L. Rakan, N. Aditya, and D. Putro, “Klasifikasi Penyakit Pada Tanaman Daun Singkong
Menggunakan Vision Transformer,” 2025.
[6] J. T. Elektro, F. Teknik, and U. S. Karawang, “A robust MRI-based brain tumor classification via
a hybrid deep learning technique,” vol. 11, no. 1, pp. 276–282, 2022.
[7] S. Adiningsi and R. A. Saputra, “Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode
Convolutional Neural Network (CNN) Dengan Model VGG16,” J. Inform. Polinema, vol. 9, no.
4, pp. 451–460, 2023.
[8] C. Neural, N. Cnn, and D. Arsitektur, “Klasifikasi Penyakit Daun Singkong Menggunakan
Convolutional Neural Network (CNN) dengan Arsitektur VGG16 Berbasis Android,” vol. 11, no.
1, pp. 53–59, 2025.
[9] A. Fuadi and A. Suharso, “Perbandingan Arsitektur Mobilenet Dan Nasnetmobile Untuk
Klasifikasi Penyakit Pada Citra Daun Kentang,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran
Inform., vol. 7, no. 3, pp. 701–710, 2022, doi: 10.29100/jipi.v7i3.3026.
[10] N. Hardi, “Komparasi Algoritma MobileNet Dan Nasnet Mobile Pada Klasifikasi Penyakit Daun
Teh,” Reputasi J. Rekayasa Perangkat Lunak, vol. 3, no. 1, pp. 50–55, 2022, doi:
10.31294/reputasi.v3i1.1313.
[11] D. Kentang, “Perbandingan arsitektur mobilenet dan nasnetmobile untuk klasifikasi penyakit pada
citra daun kentang,” vol. 07, no. September, pp. 701–710, 2022.
[12] T. P. Munthe, M. Akbar, F. T. Informasi, U. Mercu, and B. Yogyakarta, “Klasifikasi Citra Biji
Kopi Temangung Menggunakan Residual Network,” vol. 5, no. 1, pp. 94–102, 2025.
[13] D. T. Susetianingtias and E. Patriya, “Model Convolutional Neural Network ( CNN ) Custom
Sequential untuk Klasifikasi Citra Ikan Hias Carassius Auratus pada Industri Akuakultur,” vol. 5,
no. 3, pp. 813–825, 2025.
[14] U. Mahdiyah and R. Wulanningrum, “Identifikasi Penyakit Daun Tomat dengan Menggunakan
NASNet Mobile,” vol. 9, pp. 49–58.
[15] S. E. Nassar, I. Yasser, H. M. Amer, and M. A. Mohamed, “A robust MRI-based brain tumor
classification via a hybrid deep learning technique,” J. Supercomput., vol. 80, no. 2, pp. 2403–
2427, 2024, doi: 10.1007/s11227-023-05549-w.
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
