<![CDATA[Penyakit daun jagung seperti Hawar Daun, Karat Umum, dan Bercak Daun Abu-abu menjadi ancaman serius bagi ketahanan pangan. Keterbatasan deteksi konvensional mendorong perlunya solusi teknologi yang efisien untuk perangkat bergerak. Penelitian ini bertujuan mengevaluasi secara komparatif arsitektur CNN lightweight, MobileNetV2 dan EfficientNetB0, untuk deteksi penyakit daun jagung. Metode yang digunakan adalah transfer learning pada dataset publik berisi 4.188 citra daun jagung (empat kelas). Hasil pengujian menunjukkan keunggulan signifikan MobileNetV2 yang mencapai akurasi 91,73% (presisi, recall, F1-score rata-rata 0,92). Sebaliknya, arsitektur EfficientNetB0 mengalami kegagalan konvergensi dengan akurasi hanya 31,21%, di mana model mengalami kolaps prediksi. MobileNetV2 juga terbukti lebih efisien dengan 2,26 juta parameter dibandingkan 4,05 juta pada EfficientNetB0. Disimpulkan bahwa MobileNetV2 menawarkan keseimbangan terbaik antara akurasi dan efisiensi, sehingga direkomendasikan untuk pengembangan aplikasi diagnosis penyakit daun jagung pada perangkat mobile.]]>
Copyrights © 2025
