Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Informatics and Computer Science (JINACS)
M. Alfan Tsalits
Universitas Negeri Surabaya
Computer Science & IT

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

Found 1 Documents
Search

 1 
Studi Komparasi Arsitektur GoogLeNet dan CNN untuk Klasifikasi Gambar Penyakit Daun Mangga M. Alfan Tsalits; Aries Dwi Indriyanti
Journal of Informatics and Computer Science (JINACS) Article In Press
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Penyakit daun mangga secara signifikan mempengaruhi produktivitas pertanian, sehingga diperlukan sistem identifikasi otomatis dan efisien. Penelitian ini bertujuan untuk melakukan studi komparasi antara arsitektur Convolutional Neural Network (CNN) konvensional dengan arsitektur GoogLeNet dalam mengklasifikasikan delapan kategori kondisi daun mangga. Metodologi penelitian ini menggabungkan pendekatan SEMMA (Sample, Explore, Modify, Model, Assess) untuk tahapan pengembangan model, serta metode RAD (Rapid Application Development) untuk tahapan implementasi sistem dashboard berbasis website. Hasil eksperimen menunjukkan bahwa GoogLeNet mengungguli CNN konvensional, mencapai akurasi validasi yang lebih tinggi sebesar 90,68% dan loss validasi yang lebih rendah sebesar 0,2580, dibandingkan dengan akurasi CNN sebesar 89,55% dan loss 0,3309. Selain aspek akurasi, GoogLeNet jauh lebih efisien secara komputasi karena hanya menggunakan 2,87 juta parameter sementara CNN konvensional memerluka hingga 25,8 juta parameter. Melalui implementasi sistem yang telah dibangun, model terbaik mampu menyajikan hasil diagnosis penyakit dan nilai confidence score secara real-time. Kata Kunci— Penyakit Daun Mangga, Deep Learning, Convolutional Neural Network, GoogLeNet, Klasifikasi Citra.
Co-Authors Aries Dwi Indriyanti