Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Sudamto, Bagus Ari
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

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

Found 1 Documents
Search

 1 
Deteksi Penyakit Daun Padi Menggunakan MobileNetV2: Pendekatan Deep Learning untuk Meningkatkan Ketahanan Produksi Pangan Mediana Nurlailli; Agustin, Rizma; Yuanda, Khaila Putri; Sudamto, Bagus Ari
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 2 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/tevj0k39

Abstract

Tanaman padi merupakan komoditas utama dalam ketahanan pangan di Indonesia, namun produksinya sering terhambat oleh serangan penyakit daun. Permasalahan ini semakin kompleks di daerah terpencil yang memiliki keterbatasan akses internet dan perangkat komputasi. Oleh karena itu, diperlukan sistem klasifikasi penyakit daun padi yang efisien dan dapat dijalankan pada perangkat dengan sumber daya terbatas. Penelitian ini membandingkan beberapa arsitektur deep learning seperti CNN, ResNet, EfficientNetB0, dan DenseNet121, serta model machine learning klasik seperti SVM, Random Forest, Naive Bayes, XGBoost, dan LightGBM. Dataset yang digunakan berasal dari Kaggle, terdiri atas 120 citra dari tiga jenis penyakit daun padi, yaitu Bacterial leaf blight, Brown spot, dan Leaf smut. Hasil pelatihan dan pengujian pada citra berukuran 224x224 piksel menunjukkan bahwa MobileNetV2 dengan sekitar 2,4 juta parameter mencapai akurasi tertinggi sebesar 91,67%, dengan nilai rata-rata precision, recall, dan f1-score sebesar 0,92. Model ini kemudian diintegrasikan ke dalam platform website yang memungkinkan deteksi penyakit secara langsung tanpa memerlukan alat khusus. MobileNetV2 terbukti efisien dan sangat sesuai untuk digunakan oleh petani di lapangan.
Co-Authors Agustin, Rizma Mediana Nurlailli Yuanda, Khaila Putri