EPrints Universitas Amikom YogyakartaANALISIS PERBANDINGAN KINERJA ARSITEKTUR EFFICIENTNET B0 DAN MOBILENETV3 UNTUK KLASIFIKASI PENYAKIT PADA CITRA DAUN MANGGAYohanesSindhunataauthorPenyakit pada daun mangga sering kali terlambat teridentifikasi akibat keterbatasan pengetahuan visual petani dan minimnya akses terhadap tenaga ahli pertanian. Kondisi ini berdampak pada penurunan kualitas panen, penyebaran penyakit di area perkebunan, serta kerugian ekonomi bagi petani. Penelitian ini mengembangkan sistem klasifikasi penyakit daun mangga secara otomatis menggunakan pendekatan deep learning. Dua arsitektur Convolutional Neural Network (CNN), yaitu EfficientNet B0 dan MobileNetV3, dievaluasi dan dibandingkan kinerjanya dalam mengklasifikasikan delapan kelas kondisi daun mangga. Pengujian dilakukan menggunakan dataset publik Kaggle maupun citra lapangan. Teknik pra-pemrosesan berupa segmentasi penghapusan latar belakang (background removal) juga diterapkan untuk mengukur ketangguhan kedua model terhadap pergeseran domain dan gangguan visual. Hasil pengujian pada citra lapangan menunjukkan bahwa MobileNetV3 lebih tangguh dengan akurasi 71.25% dibandingkan EfficientNet B0 yang mencapai 62.50%. Setelah diterapkan segmentasi latar belakang, akurasi EfficientNet B0 meningkat signifikan menjadi 75.00%. Sistem yang dikembangkan berpotensi dimanfaatkan sebagai alat bantu diagnosis dini yang praktis bagi petani.000 Ilmu komputer, informasi dan pekerjaan umum2026-04-24Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.