<![CDATA[Jagung merupakan komoditas pertanian strategis nasional yang produktivitasnya sering menurun akibat serangan penyakit daun, seperti bercak daun, karat daun, dan hawar daun. Identifikasi penyakit secara manual bersifat subjektif dan kurang efisien, sehingga diperlukan pendekatan otomatis berbasis deep learning. Penelitian ini bertujuan membandingkan kinerja arsitektur Convolutional Neural Network (CNN) MobileNetV2 dan EfficientNetB3 dalam klasifikasi penyakit daun jagung. Dataset yang digunakan terdiri atas 2.000 citra daun jagung dari Kaggle yang melalui tahapan pembersihan, pemishan, resize dan augmentasi, serta dilatih menggunakan variasi batch size dan jumlah epoch. Hasil eksperimen menunjukkan bahwa MobileNetV2 mencapai performa terbaik pada konfigurasi batch size 32 dan epoch 50 dengan akurasi pelatihan 99,85%, validasi 97,22%, dan pengujian 96,50%. Sementara itu, EfficientNetB3 memperoleh performa optimal pada batch size 16 dan epoch 50 dengan akurasi pelatihan 94,23%, validasi 92,22%, dan pengujian 93,00%. Temuan ini menunjukkan bahwa MobileNetV2 lebih efektif dan stabil untuk pengembangan sistem deteksi dini penyakit daun jagung berbasis citra.]]>
Copyrights © 2026
