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)
Peronika Sari
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 
Analisis Komparatif Kinerja MobileNetV2 dan EfficientNet-B0 pada Klasifikasi Penyakit Daun Paprika dengan Teknik CLAHE Peronika Sari; Deasy Purwarningtias; 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.v5i2.1365

Abstract

Penyakit bercak bakteri (bacterial spot) pada daun paprika sering kali sulit dikenali secara dini oleh petani karena identifikasi masih dilakukan secara visual dan manual, sehingga rawan subjektivitas dan membutuhkan waktu lama. Kondisi ini mendorong kebutuhan sistem klasifikasi otomatis berbasis deep learning yang mampu membedakan daun paprika sehat dan daun terinfeksi bakteri secara cepat dan konsisten. Penelitian ini bertujuan membandingkan kinerja dua arsitektur transfer learning, yaitu MobileNetV2 dan EfficientNetB0, dalam mengklasifikasikan citra daun paprika dari subset dataset PlantVillage, serta mengukur kontribusi teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) yang diterapkan pada kanal luminance (L) di ruang warna LAB sebagai tahap praproses. Sebanyak 2.475 citra daun paprika, terdiri atas kelas bacterial spot dan sehat, dibagi menjadi data latih, validasi, dan uji dengan skema pelatihan head lalu fine-tuning pada 40 lapisan terakhir setiap arsitektur. Hasil pengujian pada data uji menunjukkan EfficientNetB0 mencapai akurasi 99,19% dan F1-score 99,19%, unggul dibandingkan MobileNetV2 yang memperoleh akurasi 95,70% dan F1-score 95,70%. Eksperimen ablasi memperlihatkan bahwa CLAHE memberi peningkatan akurasi sebesar 1,61 poin persentase pada EfficientNetB0, tetapi hampir tidak berpengaruh pada MobileNetV2. Visualisasi Grad-CAM mengonfirmasi bahwa kedua model memusatkan perhatian pada area lesi daun, bukan pada latar belakang citra. Temuan ini menunjukkan bahwa pemilihan arsitektur dan teknik praproses citra perlu disesuaikan secara spesifik dengan karakteristik dataset agar diperoleh kinerja klasifikasi yang optimal.
Co-Authors Ali Mustopa, Ali Deasy Purwarningtias