UNMUSUNMUS

MUSTEK ANIM HAMUSTEK ANIM HA

Studi deteksi penyakit daun jagung berbasis deep learning pada dataset PlantVillage umumnya melaporkan akurasi tinggi namun jarang mengevaluasi efisiensi model untuk deployment mobile secara komprehensif lintas format konversi. Penelitian ini mengimplementasikan transfer learning dengan arsitektur MobileNetV2 untuk klasifikasi empat kelas kondisi daun jagung menggunakan dataset PlantVillage (4.188 citra), dilanjutkan konversi ke TensorFlow Lite sebagai persiapan deployment pada aplikasi Android. Model dilatih dengan pendekatan dua‑fase (feature extraction dan fine‑tuning). Hasil evaluasi menunjukkan akurasi 91,69 % dengan F1‑score macro average 90,18 %. Analisis confusion matrix mengungkap tiga temuan: (1) precision sempurna 100 % pada kelas Healthy tanpa false negative, menjamin model tidak salah mengklasifikasi daun sakit sebagai sehat; (2) kelas Common Rust menjadi confuser utama akibat ketidakseimbangan data pelatihan; dan (3) pertukaran klasifikasi antara Northern Leaf Blight dan Gray Leaf Spot sesuai kemiripan gejala visual. Konversi TFLite terkuantisasi menghasilkan reduksi ukuran 89,93 % (25,26 MB ke 2,55 MB) tanpa kehilangan akurasi yang signifikan. Studi ini berfungsi sebagai baseline metodologi sebelum pengumpulan dataset lokal di Distrik Semangga, Merauke.

Penelitian ini berhasil mengimplementasikan transfer learning dengan arsitektur MobileNetV2 untuk klasifikasi empat kelas kondisi daun jagung menggunakan dataset PlantVillage, sebagai studi baseline menuju deployment Android.Model mencapai akurasi 91,69 % dengan F1‑score macro 90,18 % pada data uji.Analisis per kelas menunjukkan kelas Healthy mencapai precision sempurna 100 % tanpa false negative, sementara Gray Leaf Spot menjadi kelas dengan performa terendah akibat ketidakseimbangan sampel dan kemiripan gejala visual.Konversi ke TensorFlow Lite terkuantisasi menghasilkan reduksi ukuran 89,93 % (2,55 MB) tanpa menurunkan akurasi klasifikasi.

Penelitian selanjutnya dapat memperluas dataset lokal di Distrik Semangga dengan menambah variasi pencahayaan, background, dan lokasi yang berbeda untuk meningkatkan generalisasi model pada kondisi lapangan; memanfaatkan arsitektur alternatif seperti EfficientNet‑Lite atau MobileNetV3 dan melakukan tuning hyperparameter secara sistematis agar dapat dibandingkan secara empiris di platform yang sama; dan mengembangkan aplikasi Android yang terintegrasi dengan antarmuka pengguna yang sederhana, dilengkapi fungsi pelaporan real‑time dan pembaruan model via OTA, sehingga petani dapat memperoleh diagnosa cepat dan akurat serta feedback langsung mengenai efektivitas intervensi yang diambil.

  1. Optimalisasi Sumber Daya Pertanian Indonesia untuk Mendukung Program Ketahanan Pangan dan Energi Nasional... journal.ugm.ac.id/jkn/article/view/71642Optimalisasi Sumber Daya Pertanian Indonesia untuk Mendukung Program Ketahanan Pangan dan Energi Nasional journal ugm ac jkn article view 71642
Read online
File size722.85 KB
Pages9
DMCAReport

Related /

ads-block-test