eprintid: 23141
rev_number: 16
eprint_status: archive
userid: 65292
dir: disk0/00/02/31/41
lastmod: 2026-02-25 02:47:32
status_changed: 2026-02-25 02:47:32
type: thesis
metadata_visibility: show
contact_email: rioardiansah912@gmail.com
creators_name: Ardiansyah, Ryo
creators_id: NIM2113020129
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_name: Ayu Dusea Widyadara, Made
contributors_name: Mahdiyah, Umi
contributors_id: NIDN0729088802
contributors_id: NIDN0729098903
title: ANALISIS KOMPARASI ARSITEKTUR VGG16, XCEPTION, DAN NASNETMOBILE UNTUK DETEKSI PENYAKIT DAUN MANGGA
ispublished: unpub
subjects: 457
subjects: 459
subjects: 461
divisions: sch_psy
full_text_status: restricted
keywords: Convolutional Neural Network, VGG16, Xception, NasNetMobile, Daun Mangga.
abstract: Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun mangga menggunakan teknologi Convolutional Neural Network (CNN). Latar belakang dari penelitian ini didasari oleh pentingnya deteksi dini terhadap penyakit tanaman mangga yang kerap diserang oleh jamur, bakteri, dan virus. Deteksi secara manual dianggap kurang efisien dan akurat, sehingga diperlukan metode otomatis melalui teknologi pengolahan citra digital. CNN dipilih karena memiliki kemampuan tinggi dalam mengenali pola visual pada gambar secara otomatis dan akurat.
Penelitian ini difokuskan pada analisis dan implementasi tiga arsitektur CNN, yaitu VGG16, Xception, dan NasNetMobile, untuk mendeteksi penyakit pada daun mangga. Tujuan utama dari penelitian ini adalah untuk mengetahui performa dan cara kerja ketiga arsitektur tersebut dalam klasifikasi gambar daun mangga, serta mengevaluasi hasilnya berdasarkan metrik akurasi, presisi, recall, dan F1-Score. Penelitian ini menggunakan metode development research, di mana sistem dikembangkan dan diuji melalui tahapan seperti pengumpulan data, preprocessing, pelatihan model, evaluasi, dan implementasi sistem berbasis web.
Dataset diperoleh secara pribadi dengan memotret daun mangga menggunakan kamera HP beresolusi 12MP, yang kemudian diproses melalui teknik augmentasi seperti rotasi, flipping, zooming, dan rescaling. Pelatihan model dilakukan menggunakan optimizer Adam dengan jumlah epoch hingga 100 dan menerapkan teknik early stopping untuk menghindari overfitting. Setiap model CNN dibangun dalam skenario yang berbeda dan diuji melalui tiga skenario evaluasi, yaitu skenario dengan dua kelas (Jamur Jelangga dan Klorosis) dan (Sakit dan Sehat), serta tiga kelas (Jamur Jelangga, Klorosis, dan Sehat).
Hasil evaluasi menunjukkan bahwa arsitektur VGG16 memberikan performa terbaik dengan akurasi tertinggi mencapai 98%, disusul oleh NasNetMobile sebesar 95% dan Xception sebesar 89% pada skenario pertama. Pada skenario kedua, VGG16 tetap menunjukkan performa unggul dibanding dua model lainnya. Sistem yang dibangun juga diimplementasikan dalam bentuk aplikasi web menggunakan framework Streamlit, dengan fitur unggah gambar, proses klasifikasi otomatis, dan tampilan hasil klasifikasi secara langsung di antarmuka pengguna.
Uji fungsional menunjukkan sistem berjalan dengan baik tanpa error, responsif, dan memiliki tampilan antarmuka yang intuitif. Berdasarkan hasil pengujian baik dari sisi teknis maupun akurasi model, dapat disimpulkan bahwa VGG16 merupakan arsitektur paling efektif dalam klasifikasi penyakit daun mangga, dan sistem berbasis CNN ini dapat memberikan solusi praktis bagi petani untuk mendeteksi penyakit secara cepat dan akurat. Penelitian ini juga memiliki kontribusi terhadap pengembangan teknologi pertanian berbasis kecerdasan buatan yang dapat diterapkan secara luas di masa depan.
date: 2025-06-16
date_type: completed
pages: 72
institution: Universitas Nusantara PGRI Kediri
department: KODEPRODI55201#Teknik Informatika
thesis_type: other
thesis_name: dphil
referencetext: Adenia, R., Minarno, A. E., & Azhar, Y. (2024). Implementasi Convolutional Neural Network Untuk Ekstraksi Fitur Citra Daun Dalam Kasus Deteksi Penyakit Pada Tanaman Mangga Menggunakan Random Forest. Jurnal Repositor, 4(4), 473–482. https://doi.org/10.22219/repositor.v4i4.32287
Akram, A., Fayakun, K., & Ramza, H. (2023). Klasifikasi Hama Serangga pada Pertanian Menggunakan Metode Convolutional Neural Network. Building of Informatics, Technology and Science (BITS), 5(2), 397–406. https://doi.org/10.47065/bits.v5i2.4063
Alfarizi, M. R. S., Al-farish, M. Z., Taufiqurrahman, M., Ardiansah, G., & Elgar, M. (2023). Penggunaan Python Sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning. Karya Ilmiah Mahasiswa Bertauhid (KARIMAH TAUHID), 2(1), 1–6.
Alwanda, M. R., Ramadhan, R. P. K., & Alamsyah, D. (2020). Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle. Jurnal Algoritme, 1(1), 45–56. https://doi.org/10.35957/algoritme.v1i1.434
Ambarwari, A., Husni, E. M., & Mahayana, D. (2023). Perkembangan Paradigma Metode Klasifikasi Citra Penginderaan Jauh dalam Perspektif Revolusi Sains Thomas Kuhn. Jurnal Filsafat Indonesia, 6(3), 465–473. https://doi.org/10.23887/jfi.v6i3.53865
Ansah, M. A., Kasih, P., & Widya Dara, M. A. D. (2022). Identifikasi Penyakit Daun Anggur Berdasarkan Fitur Warna Dan Tekstur Dengan Metode Backpropagation Berbasis Android. Seminar Nasional Inovasi Teknologi, c, 265–271. https://proceeding.unpkediri.ac.id/index.php/inotek/article/download/2594/1622
Ayu, T., Dwi, V., & Minarno, A. E. (2021). Pendiagnosa Daun Mangga Dengan Model Convolutional Neural Network. CESS (Journal of Computer Engineering, System and Science), 6(2), 230. https://doi.org/10.24114/cess.v6i2.22857
Ayyun, K., Khafidz, Y., Rosydah, I., Atikah, N., & Arianti, S. P. (2023). Artikel Riview : Profil Studi Fitokimia Dan Aktivitas Farmakologi Buah Mangga ( Mangifera Indica L .). JFKES: Journal Sains Farmasi Dan Kesehatan, 01(02), 60–68.
B Julianto, INUR FARIDA, & MAYUDW DARA. (2023). Sistem Identifikasi Penyakit Daun Padi Menggunakan Metode Cnn Berbasis Android. 8, 634–641.
Farij Amrulloh, M., Pamungkas, D. P., Kunci-Daun Bawang, K., Klasifikasi, ;, Cnn, ;, Xception, ;, & Amrulloh, M. F. (2024). Klasifikasi Penyakit Daun Bawang Menggunakan Algoritma CNN Xception Penulis Korespondensi. Agustus, 8, 2549–7952.
Fuadi, A., & Suharso, A. (2022). Perbandingan Arsitektur Mobilenet Dan Nasnetmobile Untuk Klasifikasi Penyakit Pada Citra Daun Kentang. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 7(3), 701–710. https://doi.org/10.29100/jipi.v7i3.3026
Herdianto, & Nasution, D. (2022). Klasifikasi Objek Menggunakan Metode Convolutional Neural Network (CNN). Prosiding SNASTIKOM: Seminar Nasional Teknologi Informasi & Komunikasi Paper, 330–336.
Jasin, R. A., & Santoso, V. L. (2023). Pengembangan Arsitektur VGG16 dan DCNN7 pada Convolutional Neural Network dalam Melakukan Klasifikasi Pose Yoga. Jurnal Sistem Dan Teknologi Informasi (JustIN), 11(2), 314. https://doi.org/10.26418/justin.v11i2.55533
Jauhari, M. I., & Wulanningrum, R. (2024). Sistem Deteksi Kendaraan Menggunakan StreamLit Metode Yolo. 8, 1331–1336.
Kurniawan, R., Wintoro, P. B., Mulyani, Y., & Komarudin, M. (2023). Implementasi Arsitektur Xception Pada Model Machine Learning Klasifikasi Sampah Anorganik. Jurnal Informatika Dan Teknik Elektro Terapan, 11(2), 233–236. https://doi.org/10.23960/jitet.v11i2.3034
Khan 2021, A survey of the recent architectures of deep convolutional neural networks, PMC8010506.
Li, Z., Yang, W., Peng, S., & Liu, F. (2020). A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. arXiv.
Muhammad Sayyidin Hawibowodul, H. (2024). Aplikasi Pengklasifikasi Kematangan Pepaya Menggunakan Metode Cnn Berbasis Android. 1–93.
Network, C. N., Vgg, A., Cnn, M., & Kunci, K. (2024). 3 1,2,3. 820–829.
Normalisa, Rachmaniar, A., Diana, D., Saefudin, M., & Parulian, R. (2022). Application Of Computer Vision Detection Of Apples And Oranges Using Python Language. Journal of Information System, Informatics and Computing (JISICOM), 6(2), 455–466. https://doi.org/10.52362/jisicom.v6i2.946
Nurcahyati, A. D., Akbar, R. M., & Zahara, S. (2022). Klasifikasi Citra Penyakit pada Daun Jagung Menggunakan Deep Learning dengan Metode Convolution Neural Network (CNN). SUBMIT: Jurnal Ilmiah Teknologi Infomasi Dan Sains, 2(2), 43–51. https://doi.org/10.36815/submit.v2i2.1877
Prayoga, A., Maimunah, Sukmasetya, P., Muhammad Resa Arif Yudianto, & Rofi Abul Hasani. (2023). Arsitektur Convolutional Neural Network untuk Model Klasifikasi Citra Batik Yogyakarta. Journal of Applied Computer Science and Technology, 4(2), 82–89. https://doi.org/10.52158/jacost.v4i2.486
Purcell, K., & Brenner, J. (2024). Pengembangan Model Klasifikasi Produk Furnitur Sebagai Visual Search Menggunakan Algoritma Convolutional Neural Network. VIII(September).
Ratna, S. (2020). Pengolahan Citra Digital Dan Histogram Dengan Phyton Dan Text Editor Phycharm. Technologia: Jurnal Ilmiah, 11(3), 181. https://doi.org/10.31602/tji.v11i3.3294
Suhendar, S., Purnama, A., & Fauzi, E. (2023). Deteksi Penyakit Pada Daun Tanaman Ubi Jalar Menggunakan Metode Convolutional Neural Network. Jurnal Ilmiah Informatika Global, 14(3), 62–67. https://doi.org/10.36982/jiig.v14i3.3478
Supirman, S., Lubis, C., Yuliarto, D., & Perdana, N. J. (2023). Klasifikasi Penyakit Kulit Menggunakan Convolutional Neural Network (Cnn) Dengan Arsitektur Vgg16. Simtek : Jurnal Sistem Informasi Dan Teknik Komputer, 8(1), 135–140. https://doi.org/10.51876/simtek.v8i1.217
Tsalsabila Rhamadiyanti, D., & Kusrini. (2024). Analisa Performa Convolutional Neural Network dalam Klasifikasi Citra Apel dengan Data Augmentasi. Jurnal Kajian Ilmiah Informatika Dan Komputer, 5(1), 154–162. https://doi.org/10.30865/klik.v5i1.2023
Vierisyah, A., Tasmi, & Fajri, R. M. (2023). Klasifikasi Kanker Paru Paru Menggunakan Cnn Dengan 5 Arsitektur. Journal of Intelligent Networks and IoT Global, 1(2), 84–91. https://doi.org/10.36982/jinig.v1i2.3643
Widi Hastomo, E. H. dan S. (2021). KLASIFIKASI COVID-19 CHEST X-RAY DENGAN TIGA ARSITEKTUR CNN (RESNET-152, INCEPTIONRESNET-V2, MOBILENET-V2). Seminar Nasional Teknologi Informasi Dan Komunikasi STI&K (SeNTIK), 05. https://ejournal.jak-stik.ac.id/files/journals/2/articles/sentik2021/2830/submission/proof/2830-13-1824-1-10-20210901.pdf
citation:   Ardiansyah, Ryo  (2025) ANALISIS KOMPARASI ARSITEKTUR VGG16, XCEPTION, DAN NASNETMOBILE UNTUK DETEKSI PENYAKIT DAUN MANGGA.  Undergraduate thesis, Universitas Nusantara PGRI Kediri.   
document_url: http://repository.unpkediri.ac.id/23141/1/RAMA_55201_2113020129.pdf
document_url: http://repository.unpkediri.ac.id/23141/2/RAMA_55201_2113020129_SIMILARITY.pdf
document_url: http://repository.unpkediri.ac.id/23141/3/RAMA_55201_2113020129_0729088802_0729098903_01_front_ref.docx.pdf
document_url: http://repository.unpkediri.ac.id/23141/4/RAMA_55201_2113020129_0729088802_0729098903_02.pdf
document_url: http://repository.unpkediri.ac.id/23141/5/RAMA_55201_2113020129_0729088802_0729098903_03.pdf
document_url: http://repository.unpkediri.ac.id/23141/6/RAMA_55201_2113020129_0729088802_0729098903_04.pdf
document_url: http://repository.unpkediri.ac.id/23141/7/RAMA_55201_2113020129_0729088802_0729098903_05.pdf
document_url: http://repository.unpkediri.ac.id/23141/8/RAMA_55201_2113020129_0729088802_0729098903_06_ref.pdf
document_url: http://repository.unpkediri.ac.id/23141/9/RAMA_55201_2113020129_0729088802_0729098903_07_lamp.pdf