Keywords
CNN
MobileNetV2
Citra
How to Cite
Abstract
Deteksi penyakit pada buah alpukat menjadi tantangan penting dalam meningkatkan produktivitas pertanian dan menjaga kualitas hasil panen. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit pada buah alpukat menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNet V2. Dataset citra buah alpukat dikumpulkan melalui observasi lapangan dan dokumentasi langsung di kebun, mencakup empat kategori: busuk, cabuk, lalat buah, dan sehat. Proses preprocessing mencakup segmentasi gambar dan konversi ke grayscale, diikuti dengan augmentasi data untuk memperkuat generalisasi model. Pelatihan model dilakukan menggunakan pembagian data sebesar 40% untuk pelatihan, 20% validasi, dan 40% pengujian. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 96,5%, dengan nilai precision, recall, dan f1-score yang tinggi untuk setiap kelas, terutama pada kelas cabuk (1.00). Hasil ini menunjukkan bahwa pendekatan berbasis CNN dengan arsitektur MobileNet V2 sangat efektif dalam mengidentifikasi penyakit pada buah alpukat. Sistem ini berpotensi diimplementasikan dalam aplikasi mobile untuk membantu petani mengidentifikasi kondisi buah secara cepat dan akurat.
References
1] M. Azrita Wahyuni, U. Ahmad, dan E. Darmawati, “Rancangan Kemasan dengan Indikator Warna untuk Deteksi Tingkat Kematangan Buah Alpukat,” Agu 2019.
[2] F. Aprilliani, D. Atmiasih, dan A. Ristiono, “THE EVALUATION OF AVOCADO (Persea americana Mill.) MATURITY LEVEL USING IMAGE PROCESSING TECHNOLOGY.”
[3] B. Mahardhika dan G. Suraju, “Implementasi Pendeteksi Penyakit pada Buah Alpukat Menggunakan Metode CNN,” 2025.
[4] Divia Dwi Arfika, Indri Syafitr, dan Padli Husaini Pahutar, “SISTEM PENDETEKSI KEMATANGAN BUAH ALPUKAT DENGAN TRANSFORMASI RUANG WARNA HSI,” JATI (Jurnal Mahasiswa Teknik Informatika) , vol. 8, no. 4, Agu 2024.
[5] R. Thangaraj, D. Dinesh, S. Hariharan, S. Rajendar, D. Gokul, dan T. R. Hariskarthi, “Automatic Recognition of Avocado Fruit Diseases using Modified Deep Convolutional Neural Network,” International Journal of Grid and Distributed Computing, vol. 13, no. 1, hlm. 1550–1559, 2020, [Daring]. Tersedia pada: https://www.researchgate.net/publication/342491108
[6] R. Soekarta, N. Nurdjan, dan A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” vol. 8, no. 2, 2023.
[7] S. Sheila, M. Kharil Anwar, A. B. Saputra, R. Pujianto, dan I. P. Sari, “Deteksi Penyakit pada Daun Padi Berbasis Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN),” 2023. [Daring]. Tersedia pada: https://www.kaggle.com/datasets/tedisetiady/leaf-
[8] J. Tika, “KLASIFIKASI PENYAKIT PADA SAWI PAKCOY DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN),” Jurnal TIKA Fakultas Ilmu Komputer Universitas Almuslim, vol. 9, no. 2, [Daring]. Tersedia pada: http://www.journal.umuslim.ac.id/index.php/tika/index
[9] A. Prima, “Rancang Bangun Sistem Pendeteksi Aneka Ragam Buah Menggunakan MobileNetv2,” Jurnal Sistim Informasi dan Teknologi, hlm. 208–215, Jul 2023, doi: 10.60083/jsisfotek.v5i2.217.
[10] A. Arias-Duart, E. Mariotti, D. Garcia-Gasulla, dan J. M. Alonso-Moral, “A Confusion Matrix for Evaluating Feature Attribution Methods,” 2023. [Daring]. Tersedia pada: https://github.com/marcotcr/lime
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Bima Mahardhika, Umi Mahdiyah, Resty Wulanningrum