Penerapan Kinerja Arsitektur Mobile Neural Network V2 Dan Residual Neural Network 50 Untuk Deteksi Dini Penyakit Pada Tanaman Apel

Oleh :
Reivin Eriyanti - M0721059 - Fak. MIPA

Indonesia merupakan negara tropis yang memiliki potensi besar untuk budidaya apel, tahun 2023 produktivitas apel menurun daripada tahun sebelumnya akibat serangan organisme pengganggu tanaman (OPT). Penelitian ini bertujuan menerapkan arsitektur MobileNetV2 dan ResNet50 dalam deteksi dini penyakit tanaman apel melalui citra daun. MobileNetV2 lebih cocok untuk aplikasi pada perangkat seluler, sedangkan ResNet50 digunakan untuk tugas computer vision yang lebih kompleks. Kedua arsitektur tersebut dilatih menggunakan dataset PlantDoc, yang terdiri dari dua kelas penyakit yaitu powdery dan rust serta satu dalam keadaan healthy. Preprocessing meliputi resize, normalisasi data, dan augmentasi data. Data hasil preprocessing dimodelkan dengan MobileNetV2 dan ResNet50 menggunakan hyperparameter yang telah ditentukan. Kemudian, kedua model tersebut dievaluasi berdasarkan akurasi, mean Average Precision (mAP), waktu running, waktu detection, dan ukuran model. Hasil penelitian menunjukkan bahwa MobileNetV2 dan ResNet50 berturut-turut menghasilkan akurasi sebesar 96,67?n 53,33%. Nilai mAP MobileNetV2 dan ResNet50 berturut turut 99,14?n 70%. Sementara itu, waktu running yang diperlukan MobileNetV2 65,53 menit dan ResNet50 55,32 menit. Dalam hal deteksi, kedua model menunjukkan performa yang efisien dengan waktu sekitar 4 detik per citra. Dari segi ukuran model, MobileNetV2 memiliki ukuran 8,61 MB, sementara ResNet50 berukuran 89,98 MB. Dengan hasil tersebut, MobileNetV2 lebih efisien untuk perangkat seluler, sementara ResNet50 unggul dalam waktu pelatihan. Pemilihan model disesuaikan dengan kebutuhan penelitian.