%D 2025
%L universitasamikomyogyakarta31760
%K klasifikasi penyakit daun pisang, VGG16, MobileNetV2, CNN,
deteksi citra daun, banana leaf disease classification, leaf image detection
%I Universitas AMIKOM Yogyakarta
%T ANALISIS PERFORMA VGG16 DAN MOBILENETV2
DALAM KLASIFIKASI PENYAKIT DAUN PISANG 
MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
(CNN)
%X Indonesia merupakan salah satu produsen utama pisang di dunia dengan
potensi ekspor yang besar, namun produksinya kerap terancam oleh serangan
penyakit daun yang menurunkan kualitas dan kuantitas hasil panen. Deteksi dini
dan akurat terhadap penyakit daun pisang menjadi tantangan penting, khususnya
dalam kondisi lapangan yang bervariasi. Penelitian ini bertujuan untuk
mengevaluasi dan membandingkan performa dua arsitektur Convolutional Neural
Network (CNN), yaitu VGG16 dan MobileNetV2, dalam mengklasifikasikan
penyakit daun pisang secara multi-kelas berdasarkan citra. Metode yang digunakan
meliputi pelatihan dan pengujian model dengan dataset citra penyakit daun pisang
yang telah dikurasi dan ditingkatkan kualitasnya melalui augmentasi. Evaluasi
dilakukan berdasarkan metrik akurasi, presisi, recall, F1-score, dan efisiensi
komputasi. 
Hasil pengujian menunjukkan bahwa model VGG16 dengan konfigurasi
optimal (15 epoch, optimizer Adam, learning rate 0,01) memberikan performa
terbaik dengan akurasi sebesar 98,12%, presisi 98,17%, recall 98,12%, dan F1score

98,12%, serta waktu pelatihan selama 79,92 detik. Sementara itu,
MobileNetV2 menunjukkan performa yang cukup baik namun sedikit lebih rendah,
dengan keunggulan pada efisiensi komputasi. Pemilihan model optimal sangat
bergantung pada kebutuhan sistem, VGG16 direkomendasikan untuk skenario yang
menekankan akurasi tinggi, sedangkan MobileNetV2 lebih sesuai untuk
implementasi pada perangkat dengan sumber daya terbatas. Penelitian ini
memberikan kontribusi terhadap pengembangan untuk klasifikasi penyakit
tanaman berbasis deep learning yang praktis dan adaptif terhadap kondisi lapangan.
%A Nita Helmawati