<![CDATA[Abstrak— Penyakit daun mangga secara signifikan mempengaruhi produktivitas pertanian, sehingga diperlukan sistem identifikasi otomatis dan efisien. Penelitian ini bertujuan untuk melakukan studi komparasi antara arsitektur Convolutional Neural Network (CNN) konvensional dengan arsitektur GoogLeNet dalam mengklasifikasikan delapan kategori kondisi daun mangga. Metodologi penelitian ini menggabungkan pendekatan SEMMA (Sample, Explore, Modify, Model, Assess) untuk tahapan pengembangan model, serta metode RAD (Rapid Application Development) untuk tahapan implementasi sistem dashboard berbasis website. Hasil eksperimen menunjukkan bahwa GoogLeNet mengungguli CNN konvensional, mencapai akurasi validasi yang lebih tinggi sebesar 90,68% dan loss validasi yang lebih rendah sebesar 0,2580, dibandingkan dengan akurasi CNN sebesar 89,55% dan loss 0,3309. Selain aspek akurasi, GoogLeNet jauh lebih efisien secara komputasi karena hanya menggunakan 2,87 juta parameter sementara CNN konvensional memerluka hingga 25,8 juta parameter. Melalui implementasi sistem yang telah dibangun, model terbaik mampu menyajikan hasil diagnosis penyakit dan nilai confidence score secara real-time. Kata Kunci— Penyakit Daun Mangga, Deep Learning, Convolutional Neural Network, GoogLeNet, Klasifikasi Citra.]]>
Copyrights © 2026
