Analisis Mobilenetv2 dalam Klasifikasi Penyakit pada Daun Mangga

Abstract

Penelitian ini bertujuan untuk menganalisis kinerja model MobileNetV2 dalam klasifikasi penyakit pada daun mangga, yang terdiri dari tiga kelas: capmodium, collectricu, dan daun normal. Dataset yang digunakan berjumlah 1500 gambar, dengan pembagian 80% untuk data training, 10% untuk data testing, dan 10% untuk data validation. Model dilatih menggunakan pendekatan deep learning untuk mengidentifikasi penyakit daun mangga berdasarkan pola visual yang ada pada setiap kelas. Hasil penelitian menunjukkan bahwa model MobileNetV2 mencapai akurasi sebesar 90%, presisi 91%, recall 90%, dan f1-score 89%. Hasil ini menegaskan potensi MobileNetV2 sebagai alat yang efektif dalam mendeteksi penyakit daun mangga secara otomatis. Dengan demikian, penelitian ini diharapkan dapat berkontribusi pada pengembangan solusi berbasis teknologi di sektor pertanian, khususnya dalam mendukung para petani dalam mengidentifikasi penyakit secara cepat dan tepat, serta meningkatkan produktivitas tanaman mangga. This study aims to analyze the performance of the MobileNetV2 model in classifying diseases on mango leaves, consisting of three classes: capmodium, collectricu, and normal leaves. The dataset used contains 1500 images, with 80% allocated for training data, 10% for testing data, and 10% for validation data. The model was trained using a deep learning approach to identify mango leaf diseases based on the visual patterns present in each class. The results show that the MobileNetV2 model achieved an accuracy of 90%, a precision of 91%, a recall of 90%, and an F1-score of 89%. These findings highlight the potential of MobileNetV2 as an effective tool for automatically detecting mango leaf diseases. Therefore, this study is expected to contribute to the development of technology-based solutions in the agricultural sector, particularly in supporting farmers in identifying diseases quickly and accurately, thereby improving mango crop productivity.