PERBANDINGAN EFEKTIVITAS CNN KONVENSIONAL DAN TRANSFER LEARNING MOBILENETV2 DALAM KLASIFIKASI PENYAKIT PADA PEPAYA

Anugrah, Dede Wahyu (2025) PERBANDINGAN EFEKTIVITAS CNN KONVENSIONAL DAN TRANSFER LEARNING MOBILENETV2 DALAM KLASIFIKASI PENYAKIT PADA PEPAYA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (190kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (867kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (442kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (531kB)
	Text (BAB V) BAB V.pdf Download (41kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (363kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4480.zip Restricted to Repository staff only Download (300kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (572kB)

Abstract

Pepaya merupakan salah satu komoditas buah tropis yang penting di Indonesia. Namun, tanaman ini sering mengalami gangguan dari berbagai penyakit yang dapat menurunkan kualitas buah dan berdampak pada nilai jualnya. Proses penyortiran buah sehat dan terinfeksi masih bergantung pada proses manual yang memiliki kelemahan berupa tidak konsisten dan kurang efisien dalam menangani skala besar. Penelitian ini bertujuan mengatasi masalah tersebut dengan membandingkan dua metode klasifikasi citra berbasis deep learning yaitu CNN konvensional dan transfer learning dengan arsitektur MobileNetV2. Dataset yang digunakan terdiri dari 1000 gambar pepaya yang terbagi menjadi dua kelas secara merata yaitu kelas sehat dan terinfeksi. Model CNN konvensional dibuat dari awal sedangkan MobileNetV2 menggunakan dua pendekatan yaitu fixed feature extraction dan fine-tuning. Evaluasi model dilakukan menggunakan berbagai metrik seperti akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa MobileNetV2 dengan pendekatan fixed feature extraction mendapatkan akurasi tertinggi sebesar 99% dan fine-tuning mendapatkan akurasi sebesar 98% sedangkan CNN konvensional hanya mendapatkan akurasi sebesar 90%. Selain itu, model dengan MobileNetV2 memiliki waktu pelatihan yang lebih cepat dan ukuran model yang lebih unggul. Hal ini menunjukkan bahwa MobileNetV2 lebih efektif dibandingkan CNN konvensional. Penelitian ini dapat dimanfaatkan oleh petani modern dan pengembang teknologi dalam membangun sistem klasifikasi otomatis yang lebih handal untuk mendukung proses sortasi buah secara akurat dan efisien.

Actions (login required)

View Item