Komparasi Kinerja Arsitektur Convolutional Neural Network Ringan dalam Mendeteksi Penyakit Tanaman Pisang pada Telepon Genggam

Hartanto Sunarya, Steven (2026) Komparasi Kinerja Arsitektur Convolutional Neural Network Ringan dalam Mendeteksi Penyakit Tanaman Pisang pada Telepon Genggam. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (610kB)
	PDF BAB_I.pdf Download (326kB)
	PDF BAB_II.pdf Download (811kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (650kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (5MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (241kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (266kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000075052_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Diversitas genetik pisang yang rendah membuat pisang sangat rentan terhadap serangan penyakit seperti sigatoka hitam dan penyakit panama yang merusak hasil panen serta dapat mematikan tanaman yang terinfeksi. Oleh karena itu, penanganan dini menjadi prioritas. Convolutional neural network ringan menjadi solusi praktis untuk memfasilitasi pendeteksian penyakit tanpa kebutuhan ahli tanaman. Namun, penelitian terdahulu belum mempertimbangkan 4 aspek konteks deployment telepon genggam secara bersamaan yaitu akurasi, robustness, kemampuan generalisasi dan efisiensi. Penelitian ini mengatasi kesenjangan tersebut dengan melakukan perbandingan yang menyeluruh antara 3 arsitektur CNN ringan untuk klasifikasi penyakit daun tanaman pisang pada telepon genggam. Hasil penelitian ini menunjukkan bahwa EfficientNetV2B0 mencapai akurasi in- distribution tertinggi di 99,21%, namun menjadi model yang paling tidak efisien meskipun mencapai konvergensi tercepat saat pelatihan. MobileNetV3S memiliki robustness paling baik dengan akurasi 91,53% dan menjadi model dengan waktu inferensi tercepat dan penggunaan RAM paling ekonomis. SqueezeNet1_1 mencapai akurasi out-of-distribution tertinggi di 89,69% dan merupakan model dengan ukuran file terkecil. Untuk menyeimbangkan kinerja prediksi model dengan efisiensi, penelitian ini menggunakan pendekatan bobot CRITIC dan skor TOPSIS. MobileNetV3S mencapai skor TOPSIS tertinggi yang mengindikasikan bahwa model tersebut merupakan model yang paling layak untuk deployment pada telepon genggam dari semua model yang dievaluasi pada penelitian ini.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Hartanto Sunarya, Steven (00000075052)
Contributors:	Setiawan, Johan
Keywords:	EfficientNetV2B0, MobileNetV3S, SqueezeNet1_1, sigatoka hitam pisang, penyakit panama pisang
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	21 Jul 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/47808

Actions (login required)

View Item