Sistem Klasifikasi Penyakit pada Buah Jeruk Menggunakan MobileNetV2
DOI:
https://doi.org/10.29407/hqx9kp41Keywords:
CNN, MobileNetV2, Penyakit Buah Jeruk.Abstract
Penelitian ini bertujuan untuk mengklasifikasikan penyakit jeruk menggunakan pendekatan Convolutional Neural Network (CNN) berbasis arsitektur MobileNetV2. Topik ini dipilih karena penyakit pada buah jeruk dapat menurunkan produktivitas dan kualitas hasil panen, sementara proses identifikasi secara manual memerlukan waktu serta keahlian khusus. Metode penelitian dilakukan dengan memanfaatkan citra jeruk yang telah melalui tahap praproses berupa pengubahan ukuran citra dan normalisasi data. Dataset dibagi menjadi data latih sebesar 80% dan data uji sebesar 20% untuk memastikan kemampuan generalisasi model. Arsitektur MobileNetV2 digunakan sebagai model utama karena efisien secara komputasi dan memiliki performa yang baik dalam klasifikasi citra. Proses pelatihan dilakukan dengan menyesuaikan bobot model terhadap karakteristik citra penyakit jeruk. Hasil pemodelan menunjukkan bahwa model mampu mengklasifikasikan penyakit jeruk dengan tingkat akurasi yang tinggi dan performa yang stabil pada data uji. Hasil ini menunjukkan bahwa CNN MobileNetV2 dan menghasilkan akurasi 96,67%, efektif digunakan sebagai sistem identifikasi penyakit buah jeruk secara otomatis dan dapat membantu pengambilan keputusan secara cepat dan akurat.
Downloads
References
[1] Fadlan Sayyidul Anam, Yudhi Raymond Ramadhan, and Muhammad Rafi Muttaqin, “Klasifikasi Penyakit Pada Daun dan Buah Jambu MenggunakanConvolutional Neural Network,” J. Inf. Technol. Comput. Sci., vol. 8, no. 1, pp. 115–126, 2023.
[2] R. Gunawan, F. Salim, A. I. Wahyudhy, A. Y. Wibowo, G. Yordan, and R. F. Filamori, “Klasifikasi Penyakit Daun Kentang dengan Transfer Learning Menggunakan CNN optimalisasi Arsitektur MobileNetV2 Potato Leaf Disease Classification with Transfer Learning Using CNN Optimization of MobileNetV2 Architecture,” J. Comput. Sci. Inf. Technol., vol. 6, no. 2, pp. 254–258, 2025, [Online]. Available: http://ejurnal.umri.ac.id/index.php/coscitech/indexhttps://doi.org/10.37859/coscitech.v6i2.8599
[3] I. Nesta Suandana, A. Asriyanik, and W. Apriandari, “Pemanfaatan Cnn (Convolution Neural Network) Dan Mobilenet V2 Dalam Klasifikasi Rempah-Rempah Lokal Di Indonesia,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 10109–10116, 2024, doi: 10.36040/jati.v8i5.10873.
[4] M. A. Hakiki, N. Rachmat, and K. Kunci-Cnn, “Klasifikasi Spesies Jamur Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2,” J. Algoritm., vol. 5, no. 3, pp. 274–287, 2025, doi: 10.35957/algoritme.v6i1.11077.
[5] A. Prima, “Rancang Bangun Sistem Pendeteksi Aneka Ragam Buah Menggunakan MobileNetv2,” J. Sistim Inf. dan Teknol., vol. 5, no. 2, pp. 208–215, 2023, doi: 10.60083/jsisfotek.v5i2.217.
[6] F. Dwiatmoko, D. Utami, N. A. Sivi, U. Nahdlatul, and U. Lampung, “Image Classification of Organic and Non-Organic Waste Using CNN (Convolutional Neural Network) Algorithm,” vol. 14, no. 1, pp. 1–5, 2024.
[7] S. Y. Y. Dewi Putri, “Jurnal Ilmiah Jurnal Ilmiah,” J. Ilm. Aset, vol. 13, no. 2, pp. 58–67, 2023, doi: 10.33005/jifti.v7i1.162.
[8] A. W. Hastungkoro, A. D. Putro Wicaksono, and Y. Diah Rosita, “Klasifikasi Kualitas dan Kematangan Pisang Cavendish Menggunakan Convolutional Neural Network,” J. SAINTEKOM, vol. 14, no. 2, pp. 185–194, 2024, doi: 10.33020/saintekom.v14i2.686.
[9] M. Ayu Syaharani, T. Aurelly Claudia Budianto, and R. Ibnu Adam, “Klasifikasi Buah Segar Dan Busuk Menggunakan Algoritma Convolutional Neural Network (Cnn),” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 10823–10827, 2024, doi: 10.36040/jati.v8i5.11132.
[10] T. Sistem, “Informasi,” vol. 5, no. 4, pp. 213–218, 2024, doi: 10.62527/jitsi.5.
[11] W. O. Mardiana, N. A., & Windari, “G-Tech : Jurnal Teknologi Terapan,” J. Teknol. Terap., vol. 8, no. 1, pp. 186–195, 2024.
[12] M. Misbahul Munir, P. Kasih, and A. Sanjaya, “Penerapan Arsitektur Mobilenet Dalam Cnn Pada Klasifikasi Penyakit Daun Cabai,” Inotek, vol. 8, pp. 2549–7952, 2024, [Online]. Available: https://proceeding.unpkediri.ac.id/index.php/inotek
[13] R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” Insect (Informatics Secur. J. Tek. Inform., vol. 8, no. 2, pp. 143–151, 2023, doi: 10.33506/insect.v8i2.2356.
[14] K. P. Siwilopo, H. Marcos, J. Letjend, P. Soemarto, and K. P. Utara, “Menggunakan Metode Convolutional Neural Network Dan K-Nearest Neighbor Komputa,” KOMPUTA J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 57–64, 2023.
[15] A. R. R. Ivani, A. Z. Kurniadi, A. B. A. Andira, and I. Wahyuni, “Perbandiangan VGG16 dan MobileNetV2 untuk Klasifikasi Tingkat Kematangan Buah Apel,” J. Sist. Komput. Asia, vol. 3, no. 1, pp. 30–39, 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Sephia Ceren
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
