Keywords
CNN(Convolutional Neural Network)
VGG16
Xception
Deteksi Hama dan Penyakit
Daun Manga
How to Cite
Abstract
Deteksi penyakit pada daun mangga merupakan tantangan penting dalam sektor pertanian Indonesia karena memengaruhi kualitas dan kuantitas hasil panen. Penelitian ini mengembangkan sistem klasifikasi citra penyakit daun mangga menggunakan arsitektur CNN VGG16 dan Xception. Dataset terdiri dari dua dataset berbeda yang pertama terdiri dari dua kelas yaitu kelas sehat dan sakit, dataset kedua memiliki tiga kelas yaitu Jamur Jelangga, Klorosis, dan Sehat. Teknik augmentasi data dan optimizer Adam digunakan untuk meningkatkan performa model. Evaluasi dilakukan dengan Confusion Matrix serta metrik presisi, recall, dan F1-score. Hasil menunjukkan bahwa VGG16 konsisten memberikan performa terbaik, dengan akurasi hingga 100% pada skenario dua kelas, dan 99% pada skenario tiga kelas. Arsitektur CNN, khususnya VGG16, terbukti efektif dan konsisten dalam mengklasifikasikan penyakit daun mangga berbasis citra digital.
References
[1] Adenia, R., Minarno, A. E., & Azhar, Y. (2024). Implementasi Convolutional Neural Network Untuk Ekstraksi Fitur Citra Daun Dalam Kasus Deteksi Penyakit Pada Tanaman Mangga Menggunakan Random Forest. Jurnal Repositor, 4(4), 473–482. https://doi.org/10.22219/repositor.v4i4.32287
[2] Akram, A., Fayakun, K., & Ramza, H. (2023). Klasifikasi Hama Serangga pada Pertanian Menggunakan Metode Convolutional Neural Network. Building of Informatics, Technology and Science (BITS), 5(2), 397–406. https://doi.org/10.47065/bits.v5i2.4063
[3] Alfarizi, M. R. S., Al-farish, M. Z., Taufiqurrahman, M., Ardiansah, G., & Elgar, M. (2023). Penggunaan Python Sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning. Karya Ilmiah Mahasiswa Bertauhid (KARIMAH TAUHID), 2(1), 1–6.
[4] Alwanda, M. R., Ramadhan, R. P. K., & Alamsyah, D. (2020). Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle. Jurnal Algoritme, 1(1), 45–56. https://doi.org/10.35957/algoritme.v1i1.434
[5] Ambarwari, A., Husni, E. M., & Mahayana, D. (2023). Perkembangan Paradigma Metode Klasifikasi Citra Penginderaan Jauh dalam Perspektif Revolusi Sains Thomas Kuhn. Jurnal Filsafat Indonesia, 6(3), 465–473. https://doi.org/10.23887/jfi.v6i3.53865
[6] Vierisyah, A., Tasmi, & Fajri, R. M. (2023). Klasifikasi Kanker Paru Paru Menggunakan Cnn Dengan 5 Arsitektur. Journal of Intelligent Networks and IoT Global, 1(2), 84–91. https://doi.org/10.36982/jinig.v1i2.3643
[7] Fuadi, A., & Suharso, A. (2022). Perbandingan Arsitektur Mobilenet Dan Nasnetmobile Untuk Klasifikasi Penyakit Pada Citra Daun Kentang. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 7(3), 701–710. https://doi.org/10.29100/jipi.v7i3.3026
[8] Kurniawan, R., Wintoro, P. B., Mulyani, Y., & Komarudin, M. (2023). Implementasi Arsitektur Xception Pada Model Machine Learning Klasifikasi Sampah Anorganik. Jurnal Informatika Dan Teknik Elektro Terapan, 11(2), 233–236. https://doi.org/10.23960/jitet.v11i2.3034
[9] Ambarwari, A., Husni, E. M., & Mahayana, D. (2023). Perkembangan Paradigma Metode Klasifikasi Citra Penginderaan Jauh dalam Perspektif Revolusi Sains Thomas Kuhn. Jurnal Filsafat Indonesia, 6(3), 465–473. https://doi.org/10.23887/jfi.v6i3.53865
[10] Farij Amrulloh, M., Pamungkas, D. P., Kunci-Daun Bawang, K., Klasifikasi, ;, Cnn, ;, Xception, ;, & Amrulloh, M. F. (2024). Klasifikasi Penyakit Daun Bawang Menggunakan Algoritma CNN Xception Penulis Korespondensi. Agustus, 8, 2549–7952.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Ryo Ardiansyah, Made Ayu Dusea Widyadara, Umi Mahdiyah