Klasifikasi Penyakit Daun Jagung Menggunakan ConvNeXt Tiny dan Perbandingan dengan EfficientNetV2-S Berbasis Transfer Learning

Taufik Al Latief, Dafa (2026) Klasifikasi Penyakit Daun Jagung Menggunakan ConvNeXt Tiny dan Perbandingan dengan EfficientNetV2-S Berbasis Transfer Learning. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (233kB)
	PDF BAB_II.pdf Download (4MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (7MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (654kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (212kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (224kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000067476_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Jagung adalah komoditas pangan strategis kedua di Indonesia, namun produktivitasnya terancam oleh penyakit daun seperti Common Rust, Northern Leaf Blight, dan Gray Leaf Spot. Identifikasi penyakit secara manual membutuhkan waktu, biaya, dan keahlian khusus, sehingga penanganan kerap terlambat. Penelitian ini bertujuan mengimplementasikan model ConvNeXt-Tiny berbasis transfer learning untuk klasifikasi penyakit daun jagung pada empat kelas, yaitu healthy, Northern Leaf Blight (leaf blight), Common Rust (leaf rust), dan Gray Leaf Spot (leaf spot), serta membandingkannya dengan EfficientNetV2-S sebagai arsitektur baseline. Dataset yang digunakan berasal dari Kaggle dan terdiri atas 3.994 citra setelah proses deteksi duplikasi, yang dibagi menjadi data latih, validasi, dan uji dengan rasio 64:16:20. Kedua model dilatih menggunakan bobot pretrained dari ImageNet dengan backbone yang dibekukan, serta dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa ConvNeXt-Tiny memperoleh akurasi 97,37% dan F1-score 97,36%, lebih unggul dibandingkan EfficientNetV2-S yang memperoleh akurasi 92,24% dan F1-score 92,05%, dengan selisih akurasi 5,13%. Keunggulan ConvNeXt-Tiny juga terlihat dari test loss yang lebih rendah serta performa yang lebih konsisten pada seluruh kelas pengujian. Dengan demikian, ConvNeXt-Tiny terbukti lebih akurat dan andal untuk klasifikasi penyakit daun jagung.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Taufik Al Latief, Dafa (00000067476)
Contributors:	Suryana, Yaya
Keywords:	ConvNeXt-Tiny, convolutional neural network, EfficientNetV2-S, klasifikasi penyakit daun jagung, transfer learning
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	16 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47593

Actions (login required)

View Item