<![CDATA[Tanaman jagung merupakan komoditas pertanian strategis di Indonesia yang rentan terhadap serangan penyakit daun seperti Gray Leaf Spot, Northern Leaf Blight, dan Common Rust yang dapat menurunkan hasil panen secara signifikan apabila tidak ditangani sejak dini. Proses identifikasi yang masih dilakukan secara konvensional sangat bergantung pada pengalaman individu dan rentan terhadap kesalahan diagnosis, sementara model deep learning yang telah dikembangkan umumnya bersifat black-box sehingga sulit dipahami oleh pengguna akhir seperti petani dan penyuluh pertanian. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit daun jagung yang akurat sekaligus interpretatif menggunakan arsitektur MobileNetV3-Small berbasis transfer learning dengan integrasi visualisasi Grad-CAM untuk meningkatkan transparansi hasil prediksi. Dataset yang digunakan terdiri atas 4.000 citra daun jagung dari platform Kaggle yang terbagi ke dalam empat kelas yaitu Bercak Daun, Hawar Daun, Karat Daun, dan Daun Sehat dengan rasio pembagian 80:20, dilatih selama 10 epoch menggunakan optimizer Adam dengan learning rate 0,001 dan batch size 32, serta diimplementasikan dalam prototipe aplikasi berbasis web menggunakan framework Flask. Hasil evaluasi menunjukkan model mencapai akurasi 97,75%, precision 97,76%, recall 97,75%, dan F1-score 97,75%, sementara evaluasi kuantitatif Grad-CAM pada 4.000 citra menghasilkan performa keseluruhan sebesar 98,55%, membuktikan relevansi visualisasi terhadap area gejala penyakit yang sebenarnya.]]>
Copyrights © 2026
