Optimasi Deteksi Penyakit Daun Jagung Menggunakan Transfer Learning MobileNetV2 Berbasis Citra Digital

Abstract

Penyakit daun jagung merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas tanaman jagung karena dapat menghambat proses fotosintesis dan pertumbuhan tanaman. Identifikasi penyakit secara manual memerlukan keahlian khusus serta waktu yang relatif lama sehingga kurang efektif untuk pemantauan skala luas. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit daun jagung berbasis Deep Learning menggunakan arsitektur MobileNetV2 dengan pendekatan transfer learning dan fine-tuning. Dataset yang digunakan terdiri atas citra daun jagung yang dikelompokkan ke dalam tiga kelas, yaitu Hawar Daun (Blight), Karat Daun (Rust), dan Daun Sehat (Healthy). Tahap penelitian meliputi prapemrosesan citra, normalisasi menggunakan preprocess_input, augmentasi data, pelatihan model, fine-tuning, serta evaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. MobileNetV2 dipilih karena memiliki kompleksitas komputasi yang rendah namun tetap mampu menghasilkan performa klasifikasi yang baik. Hasil penelitian menunjukkan bahwa kombinasi augmentasi data, transfer learning, dan fine-tuning mampu meningkatkan kemampuan model dalam mengenali karakteristik penyakit daun jagung secara efektif. Model yang dihasilkan memiliki potensi untuk diterapkan pada sistem pertanian cerdas (smart agriculture) sebagai alat bantu deteksi dini penyakit tanaman secara cepat, akurat, dan efisien