Perbandingan Arsitektur CNN untuk Klasifikasi Penyakit Pada Buah Mangga Studi Kasus: MobileNetV3, EfficientNetB3, dan ResNet-18
DOI:
https://doi.org/10.36277/jteuniba.v10i2.1328Keywords:
Mangga, Klasifikasi penyakit, CNN, MobileNetV3, EfficientNetB3, ResNet-18Abstract
Penyakit pada buah mangga, seperti antraknosa dan busuk ujung batang, secara signifikan dapat menurunkan kualitas dan hasil panen. Identifikasi penyakit secara konvensional sering kali bersifat subjektif dan sulit diterapkan dalam skala besar. Penelitian ini bertujuan untuk membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV3, EfficientNetB3, dan ResNet-18, dalam mengklasifikasikan penyakit pada buah mangga berbasis citra digital. Metode yang digunakan adalah eksperimen kuantitatif dengan tahapan meliputi pengumpulan dataset, pra-pemrosesan citra, serta pelatihan model menggunakan dataset Mango Fruit DDS yang mencakup lima kelas: Alternariose, Anthracnose, Aspergillus Rot, Healthy, dan Stem End Rot. Hasil penelitian menunjukkan bahwa EfficientNetB3 memberikan performa paling optimal dengan akurasi validasi tertinggi mencapai 0,9698 (akurasi terbaik 0,9984) serta efisiensi komputasi yang unggul dibandingkan model lainnya. Temuan ini menyimpulkan bahwa EfficientNetB3 merupakan arsitektur yang paling sesuai untuk pengembangan sistem deteksi penyakit mangga yang akurat dan efisien pada lingkungan pertanian nyata.
Downloads
References
J. G. Fernandez and J. I. Hormaza, “Pest and Diseases in Mango (Mangifera Indica L)”, 2020. Tersedia: https://www.mango.org/wp-content/uploads/2020/08/Mango_Pests_and_Diseases_ENG.pdf
G. V. Benatar, Y. Nurhayati, and N. Febryani, “Identifikasi Colletotrichum asianum Penyebab Antraknosa Mangga Kultivar Golek di Indramayu”, Media Pertanian, vol. 8, no. 1, pp. 1–13, Mei 2023.
S. Kumar, B. Gupta, N. Bhatia, and K. Anuradha, “An Approach for Diagnosing and Differentiating Mango Fruit Diseases Using Hybrid CNN+SVM Classifier”, International Journal of Engineering Trends and Technology, vol. 73, no. 1, pp. 146–154, Januari 2025.
A. Pramesti, “Efektivitas Biosintesis Nanopartikel Perak (AgNPs) oleh Bacillus amyloliquefaciens EV13 dalam Menghambat Pertumbuhan Jamur Patogen Pascapanen Buah Mangga (Mangifera Indica)”, Skripsi Sarjana Universitas Islam Negeri Syarif Hidayatullah Jakarta, 2023.
I. M. Arti, P. Asnur, R. Kurniasih, and E. P. Ramdan, “Identification, Pathogenesis, and Virulence Test of Fungus Causes Postharvest Disease of Gedong Gincu Mango from Pal Market, Cimanggis, Depok”, Jurnal Pembelajaran dan Biologi Nukleus, vol. 8, no. 2, pp. 236–246, Juli 2022.
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning”, nature, 27 Mei 2015. Tersedia: https://www.nature.com/articles/nature14539.
S. U. Khan, A. Alsuhaibani, A. Alabduljabbar, F. Almarshad, Y. N. Altherwy, and T. Akram, “A Review on Automated Plant Disease Detection: Motivation, Limitations, Challenges, and Recent Advancements for Future Research”, Journal of King Saud University Computer and Information Sciences, vol. 37, no. 34, pp. 1–36, Mei 2025.
S. Sladojevic, M. Arsenovic, A. Anderla, D. Culibrk, and D. Stefanovic, “Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification”, Computational Intelligence and Neuroscience, vol. 2016, no. 1, Juni 2016.
A. Howard, M. Sandler, G. Chu, L.C. Chen, B. Chen, M. Tan, W. Wang, Y. Zhu, R. Pang, V. Vasudevan, Q. V. Le, and H. A, “Searching for MobileNeV3”, arXiv, November 2019. Tersedia: https://arxiv.org/pdf/1905.02244.
S. D. Kusumaningrum, “Ekstraksi Ciri untuk Klasifikasi Tipe Kulit Wajah Menggunakan Citra Foto”, Thesis Universitas Islam Indonesia, 2024.
M. Tan and Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks”, arXiv, September 2020. Tersedia: https://arxiv.org/pdf/1905.11946.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition”, arXiv, Desember 2015. Tersedia: https://arxiv.org/pdf/1512.03385.
E. C. Too, L. Yujian, S. Njuki, and L. Yingchun, “A Comparative Studi of Fine-Tuning Deep Learning Models for Plant Disease Identification”, Computers and Electronics in Agriculture, vol. 161, pp. 272–279, Juni 2019.
D. Faye, I. Diop, N. Mbaye, M. Diedhiou, and D. Dione, “SenMangoFruitDSS”, Mendeley Data, November 2023. Tersedia: https://data.mendeley.com/datasets/jvszp9cbpw/4.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” Proc. CVPR, 2016.
] A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” arXiv:1704.04861, 2017.
A. Howard et al., “Searching for MobileNetV3,” Proc. ICCV, 2019.
J. Hu, L. Shen, and G. Sun, “Squeeze-and-Excitation Networks,” Proc. CVPR, 2018.
M. Tan and Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” Proc. ICML, 2019.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Andita Dani Achmad, Arysespajayadi, Sofyan Tandungan, Muh. Takdir Muslihi, Andi Triska Muliana
This work is licensed under a Creative Commons Attribution 4.0 International License.
