Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Wadzifa Wadzifa
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisa Komparatif MobileNetV2 dan EfficientNetB0 Berbasis Fine-Tuning dan Data Augmentation untuk Klasifikasi Penyakit Daun Pisang Wadzifa Wadzifa; Deasy Purwaningtias; Ali Mustopa
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1354

Abstract

Penyakit daun pisang merupakan salah satu faktor yang dapat menurunkan produktivitas tanaman pisang dan menyebabkan kerugian ekonomi bagi petani. Identifikasi penyakit secara manual memerlukan waktu serta bergantung pada keahlian pengamat, sehingga diperlukan sistem otomatis yang mampu melakukan klasifikasi penyakit secara cepat dan akurat. Penelitian ini bertujuan menganalisis performa model transfer learning MobileNetV2 dan EfficientNetB0 dalam klasifikasi penyakit daun pisang menggunakan dataset BananaLSD yang terdiri atas empat kelas, yaitu Healthy, Cordana, Pestalotiopsis, dan Sigatoka. Penelitian dilakukan melalui delapan skenario eksperimen yang mengombinasikan penerapan fine-tuning dan data augmentation untuk mengetahui pengaruhnya terhadap performa model. Model terbaik selanjutnya dibandingkan menggunakan empat optimizer, yaitu Adam, AdamW, RMSprop, dan SGD. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa kombinasi EfficientNetB0 dengan fine-tuning, data augmentation, dan optimizer Adam menghasilkan performa terbaik dengan nilai accuracy sebesar 97,89%, precision 98,58%, recall 97,89%, dan F1-score 98,00%. Model terbaik kemudian diimplementasikan menggunakan FastAPI dan diintegrasikan dengan aplikasi bergerak berbasis FlutterFlow sehingga mampu melakukan klasifikasi penyakit daun pisang secara real-time. Hasil penelitian menunjukkan bahwa kombinasi arsitektur, strategi pelatihan, dan optimizer yang tepat mampu meningkatkan performa klasifikasi serta menghasilkan prototipe aplikasi yang dapat mendukung identifikasi awal penyakit daun pisang secara cepat, akurat, dan mudah digunakan.
Co-Authors Ali Mustopa, Ali Purwaningtias, Deasy