KOMPARASI RESNET50, MOBILENETV2, DAN ALEXNET UNTUK DETEKSI PENYAKIT DAUN KENTANG BERBASIS ANDROID

Abstract

Kentang merupakan komoditas hortikultura yang produktivitasnya dapat menurun akibat penyakit daun. Identifikasi secara visual masih bergantung pada pengalaman pengamat dan rentan keliru karena beberapa kelas penyakit memiliki gejala yang serupa. Penelitian ini bertujuan membandingkan kinerja arsitektur ResNet50, MobileNetV2, dan AlexNet serta mengimplementasikan model terbaik pada aplikasi Android PotaLeaf. Penelitian menggunakan pendekatan kuantitatif dengan eksperimen komparatif terhadap dataset publik berisi 3.076 citra dalam tujuh kelas. Data dibersihkan secara manual menjadi 2.118 citra, diseimbangkan melalui augmentasi menjadi 3.500 citra, kemudian dibagi 70% data pelatihan, 15% validasi, dan 15% pengujian. ResNet50 dan MobileNetV2 dilatih menggunakan transfer learning, sedangkan AlexNet dilatih dari awal. Evaluasi dilakukan pada dataset dengan dan tanpa data cleaning menggunakan accuracy, precision, recall, F1-score, dan confusion matrix, dilanjutkan black box testing serta pengujian 20 citra eksternal. ResNet50 menghasilkan performa terbaik dengan accuracy 92,20%, precision 92,40%, recall 92,20%, dan F1-score 92,20%. Data cleaning meningkatkan accuracy seluruh model sebesar 10,20-19,10 poin persentase. Model ResNet50 berhasil diintegrasikan ke PotaLeaf; seluruh 13 fungsi berjalan sesuai rancangan dan pengujian eksternal mencapai accuracy 90%.