KLASIFIKASI PENYAKIT BATANG JAGUNG MENGGUNAKAN MOBILENETV3 BERBASIS CITRA LAPANGAN

Abstract

Penelitian ini bertujuan “untuk mengembangkan sistem klasifikasi penyakit batang jagung berbasis citra lapangan menggunakan metode Deep Learning dengan arsitektur MobileNetV3-Small.” Klasifikasi dilakukan terhadap tiga kelas, yaitu Bacterial Stalk Rot (BSR), Fusarium Stalk Rot (FSR), dan batang sehat. Dataset dikumpulkan secara langsung dari lahan pertanian dan berjumlah 666 citra, kemudian dilakukan augmentasi sehingga total dataset menjadi 7.663 citra. Tahapan pra-pemrosesan meliputi resize citra menjadi 224×224 piksel, normalisasi, dan augmentasi data. Dataset dipisah menjadi data latih, validasi, dan uji dengan perbandingan 70:15:15. Model MobileNetV3-Small diterapkan menggunakan pendekatan transfer learning dengan penambahan Global Average Pooling, Batch Normalization, Dropout, dan Softmax. Hasil pengujian menunjukkan model memperoleh akurasi yakni 83% disertai skor precision, recall, dan F1-score yang seimbang pada setiap kelas. Hasil tersebut menunjukkan MobileNetV3-Small mampu mengklasifikasikan penyakit batang jagung secara cukup baik dan berpotensi membantu petani dalam deteksi dini penyakit secara otomatis.