Application of MobileNetV2 Architecture with SIMAM for Automatic Detection of Diseases on Mango Leaves

Abstract

Deteksi dini penyakit pada tanaman mangga sangat penting untuk meningkatkan hasil panen dan mengurangi kerugian ekonomi bagi petani. Penelitian ini mengusulkan penggunaan arsitektur MobileNetV2 yang diintegrasikan dengan Simple Attention Module (SIMAM) untuk meningkatkan akurasi deteksi penyakit pada daun mangga. MobileNetV2 dipilih karena efisiensinya dalam komputasi, khususnya pada perangkat mobile, sementara SIMAM digunakan untuk memperkuat fokus model terhadap fitur visual penting yang merepresentasikan gejala penyakit pada daun. Dataset yang digunakan terdiri dari 3000 citra daun mangga yang terbagi ke dalam tiga kelas, yaitu Capnodium, Colletotrichum, dan Daun Normal. Model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model MobileNetV2 + SIMAM berhasil mencapai performa tinggi dengan akurasi 0.9833, presisi 0.9841, recall 0.9833, dan F1-score 0.9833. Dengan kombinasi antara efisiensi komputasi dan akurasi klasifikasi yang tinggi, model ini sangat potensial untuk diimplementasikan dalam aplikasi mobile guna membantu petani mendeteksi penyakit daun mangga secara cepat, tepat, dan praktis di lapangan. Early detection of diseases in mango plants is crucial for improving crop yields and reducing economic losses for farmers. This study proposes the use of the MobileNetV2 architecture integrated with the Simple Attention Module (SIMAM) to enhance the accuracy of disease detection on mango leaves. MobileNetV2 was chosen for its computational efficiency, particularly on mobile devices, while SIMAM was utilized to strengthen the model’s focus on important visual features that represent disease symptoms on the leaves. The dataset used in this research consists of 3,000 images of mango leaves categorized into three classes: Capnodium, Colletotrichum, and Healthy Leaves. The model was evaluated using accuracy, precision, recall, and F1-score metrics. Experimental results show that the MobileNetV2 + SIMAM model achieved high performance, with an accuracy of 0.9833, precision of 0.9841, recall of 0.9833, and F1-score of 0.9833. With its combination of computational efficiency and high classification accuracy, this model has strong potential for implementation in mobile applications to assist farmers in detecting mango leaf diseases quickly, accurately, and practically in the field.