IDENTIFIKASI PENYAKIT TANAMAN PANGAN MENGGUNAKAN ALGORITMA CNN DENGAN METODE TRANSFER LEARNING MOBILENETV2 BERBASIS ANDROID

Muhamad Ghozi Wijaya; Nunik Pratiwi;

Identifikasi Penyakit Tanaman Pangan Menggunkana Algoritma
Convolutional Neural Network Dengan Metode Transfer Learning

MobileNetV2 Berbasis Andorid
Muhamad Ghozi Wijaya

Produksi pangan di Indonesia menghadapi berbagai tantangan, termasuk hama dan penyakit
tanaman, yang dapat mengancam keberlanjutan dan ketahanan pangan. Penelitian ini bertujuan
mengembangkan model identifikasi penyakit untuk tanaman padi, jagung, dan kentang
menggunakan algoritma Convolutional Neural Networks (CNN) dengan metode transfer learning
MobileNetV2. Dataset yang digunakan diambil dari Kaggle dan diproses melalui augmentasi data
untuk meningkatkan variasi gambar. MobileNetV2 dipilih karena efisiensi dan performanya yang
baik pada perangkat dengan sumber daya terbatas. Proses pelatihan model menggunakan
MobileNetV2 sebagai backbone, dengan 30 lapisan terakhir yang dapat dilatih, sementara sisanya
dibekukan. Model dikompilasi menggunakan optimizer Adam dan loss function categorical
crossentropy, serta dilatih selama 13 epoch dengan batch size 32 menggunakan data augmentasi.
Regularisasi L2 dan Dropout 0,5 diterapkan untuk mencegah overfitting, dan Early Stopping
digunakan untuk menghentikan pelatihan jika validasi loss tidak membaik setelah 5 epoch. Model
dievaluasi menggunakan Confusion Matrix dan Classification Report, dengan hasil akurasi
validasi mencapai 91,03%. Setelah itu, model diintegrasikan ke dalam aplikasi berbasis Android
yang dirancang untuk membantu petani mendeteksi penyakit tanaman. Aplikasi ini dinilai dari segi
kenyamanan antarmuka dan keinginan untuk digunakan di masa depan dengan menggunakan
System Usability Scale (SUS), dan hasil pengujian menunjukkan nilai rata-rata sebesar 70,1, yang
menempatkannya dalam kategori B (Excellent).
Kata Kunci: CNN; MobileNetV2; System Usability Scale

Identification of Crop Diseases Using Convolutional Neural Network
Algorithm with MobileNetV2 Transfer Learning Method on Android

Muhamad Ghozi Wijaya

Food production in Indonesia faces various challenges, including pests and plant diseases, which
can threaten sustainability and food security. This research aims to develop a disease identification
model for rice, corn, and potato plants using Convolutional Neural Networks (CNN) with
MobileNetV2 transfer learning. The dataset used was obtained from Kaggle and processed through
data augmentation to enhance image variation. MobileNetV2 was chosen for its efficiency and
good performance on resource-constrained devices. The model training process utilized
MobileNetV2 as the backbone, with the last 30 layers being trainable while the rest were frozen.
The model was compiled using the Adam optimizer and categorical crossentropy as the loss
function, and it was trained for 13 epochs with a batch size of 32 using data augmentation. L2
regularization and a 0.5 dropout rate were applied to prevent overfitting, and Early Stopping was
used to halt training if the validation loss did not improve after 5 epochs. The model was evaluated
using a Confusion Matrix and Classification Report, achieving a validation accuracy of 91.03%.
Subsequently, the model was integrated into an Android-based application designed to help