%0 Thesis
%9 S1 - Sarjana
%A Hasri, Rasyif Ibnu
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:33146
%I Universitas AMIKOM Yogyakarta
%K Penyakit Daun Pisang, Arsitektur Hibrida, EfficientNetV2, Vision  Transformer, Grad-CAM, Banana Leaf Disease, Hybrid Architecture.
%T PENGEMBANGAN ARSITEKTUR HIBRIDA EFFICIENTNETVIT  DENGAN  EXPLAINABLE  AI  (XAI)  UNTUK  DETEKSI    PENYAKIT  TANAMAN  PISANG
%U https://eprints.amikom.ac.id/id/eprint/33146/
%X Penyakit pada tanaman pisang seperti Sigatoka, Cordana, dan Panama  merupakan ancaman serius yang berdampak pada terganggunya ketahanan pangan.  Diagnosis manual dinilai lambat, sehingga dibutuhkan sistem deteksi otomatis yang  tangguh. Sayangnya, penggunaan model deep learning tunggal menghadapi  keterbatasan arsitektural. Convolutional Neural Network (CNN) kesulitan  menangkap konteks spasial jarak jauh, sedangkan Vision Transformer (ViT) rentan  mengalami overfitting pada dataset berskala kecil.   Untuk menyelesaikan masalah tersebut, penelitian ini merancang arsitektur  hibrida yang mengintegrasikan EfficientNetV2 (pengekstraksi fitur lokal) dan ViT  (pengekstraksi konteks global). Metode ini menggunakan 4.675 citra sekunder  untuk proses permodelan, serta 40 citra lapangan primer untuk pengujian validasi  eksternal (mengukur pergeseran domain). Selain itu, teknik Explainable AI berbasis  Grad-CAM diterapkan untuk memvisualisasikan landasan pengambilan keputusan  dan mengatasi sifat kotak hitam.   Hasil pengujian internal menunjukkan EfficientNetV2 mencapai akurasi  tertinggi 99,29%, diikuti ViT (98,58%), dan Hibrida (97,88%). Namun, pada  pengujian eksternal di lapangan, ViT turun drastis menjadi 62,50%. Sementara itu,  EfficientNetV2 (82,50%) dan Hibrida terbukti stabil di angka 80,00%. Analisis  Grad-CAM memvalidasi bahwa model hibrida mengevaluasi geometri lesi secara  holistik melalui mekanisme self-attention, sehingga mampu mengatasi kelemahan  spesifik CNN yang hanya mengunci fitur tepi lesi secara parsial dan rentan salah  klasifikasi pada kasus dengan kemiripan tekstur antar-kelas penyakit. Penelitian ini  berkontribusi menghasilkan sistem deteksi andal dan transparan bagi praktisi  pertanian. Untuk penelitian lanjutan, direkomendasikan menerapkan segmentasi  latar belakang, pengayaan augmentasi data lapangan, kompresi arsitektur seluler,  serta restrukturisasi lapisan penyandian posisi.