<![CDATA[Deteksi penyakit daun jagung pada citra lapangan menghadapi tantangan besar akibat pencahayaan tidak merata, latar belakang kompleks, serta jumlah data yang terbatas dan tidak seimbang. Penelitian ini mengusulkan pipeline klasifikasi berbasis deep learning yang mengintegrasikan pra-pemrosesan morfologi erosi, dilasi, opening, dan closing—untuk memperjelas struktur lesi sebelum pelatihan model. Sebanyak 310 citra daun jagung dalam tiga kelas (Sehat, Karat, dan Hawar) dibagi secara stratifikasi menjadi data latih, validasi, dan uji. MobileNetV2 dilatih menggunakan pendekatan transfer learning dengan augmentasi dasar. Hasil evaluasi menunjukkan akurasi validasi 34,43%, akurasi uji 44,83%, dan macro-F1 sebesar 0,17, yang mengindikasikan kemampuan generalisasi rendah. Confusion matrix mengungkap terjadinya class collapse akibat ketidakseimbangan kelas dan kemiripan visual antar penyakit. Meskipun performanya terbatas, pra-pemrosesan morfologi membantu meningkatkan kejelasan fitur dan stabilitas ekstraksi pada kondisi lapangan.]]>
Copyrights © 2026
