Sindhunata, Yohanes (2026) ANALISIS PERBANDINGAN KINERJA ARSITEKTUR EFFICIENTNET B0 DAN MOBILENETV3 UNTUK KLASIFIKASI PENYAKIT PADA CITRA DAUN MANGGA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf - Published Version Download (1MB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (190kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (524kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (214kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (2MB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (140kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (135kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 22.11.4708.zip - Published Version Restricted to Repository staff only Download (576kB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (656kB) |
Abstract
Penyakit 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.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Klasifikasi Penyakit Tanaman, Daun Mangga, EfficientNet B0, MobileNetV3, Segmentasi Citra, Plant Disease Classification, Mango Leaves. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 05 Oct 2026 07:04 | ||
| Last Modified: | 05 Oct 2026 07:04 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/33148 |
Actions (login required)
 |
View Item |