<![CDATA[Penelitian ini bertujuan membandingkan kinerja arsitektur Convolutional Neural Network (CNN) VGG16 dan MobileNetV2 dalam klasifikasi penyakit daun bakau jenis Ceriops tagal berbasis citra digital. Penyakit daun bakau menjadi salah satu faktor utama degradasi ekosistem mangrove karena berdampak langsung pada proses fotosintesis dan pertumbuhan tanaman. Dataset yang digunakan terdiri dari 821 citra daun bakau yang diklasifikasikan ke dalam empat kelas, yaitu daun sehat, bercak putih, bercak hitam, dan daun diserang hama. Kedua model dilatih menggunakan pendekatan transfer learning dengan evaluasi kinerja menerapkan metode 5-Fold Cross Validation pada dua skenario pelatihan, yaitu early stopping dan 50 epoch. Hasil penelitian menunjukkan bahwa MobileNetV2 dengan skenario early stopping memberikan performa terbaik dengan nilai accuracy dan macro average recall tertinggi sebesar 0,96 serta performa yang stabil pada seluruh fold pengujian. Sebaliknya, VGG16 hanya mencapai accuracy maksimum 0,79 pada skenario early stopping dan 0,87 pada skenario 50 epoch, namun menunjukkan variasi performa yang besar antar fold serta kecenderungan overfitting. Berdasarkan hasil tersebut, MobileNetV2 terbukti lebih andal, efisien, dan memiliki kemampuan generalisasi yang lebih baik dibandingkan VGG16 dalam klasifikasi penyakit daun bakau, sehingga berpotensi diterapkan sebagai sistem deteksi dini penyakit mangrove secara praktis dan berkelanjutan.]]>
Copyrights © 2026
