Analisis Performa Klasifikasi Penyakit Daun Kopi Robusta Menggunakan Mobilenetv3, Shufflenetv2, dan Mobilevit
Tahun 2026 · Penulis: Jastin Theo Hariyono
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Penyakit daun kopi seperti Rust dan Red Spider Mite merupakan permasalahan serius dalam budidaya kopi robusta karena dapat menurunkan kualitas dan hasil panen. Identifikasi penyakit secara dini sangat penting agar tindakan pengendalian dapat dilakukan secara tepat. Namun, proses identifikasi secara visual di lapangan masih menghadapi berbagai kendala, terutama akibat kemiripan gejala antar penyakit dan kompleksitas latar belakang citra. Perkembangan teknologi deep learning, khususnya pada bidang computer vision, membuka peluang untuk mengatasi permasalahan tersebut melalui sistem klasifikasi citra otomatis. Penelitian ini bertujuan untuk menganalisis performa tiga model klasifikasi penyakit daun kopi robusta berbasis hybrid feature fusion, yaitu MobileNetV3 + Swin Transformer, ShuffleNetV2 + Swin Transformer, dan MobileViT + Swin Transformer. Dataset yang digunakan adalah Robusta Coffee Leaf (RoCoLe) yang terdiri dari 1.560 citra daun kopi dengan tiga kelas kondisi, yaitu Healthy, Rust, dan Red Spider Mite. Untuk meningkatkan kemampuan generalisasi model, dilakukan proses pra-pemrosesan berupa image resizing, augmentasi data, serta pembagian data menggunakan metode 5-fold cross-validation. Ketiga model dilatih dan diuji menggunakan metrik evaluasi Accuracy, Precision, Recall, dan F1-Score. Selain itu, analisis confusion matrix digunakan untuk melihat pola kesalahan klasifikasi pada masing-masing kelas, serta analisis kurva pelatihan untuk mengevaluasi stabilitas proses pembelajaran model. Hasil penelitian menunjukkan bahwa seluruh model mampu mengklasifikasikan penyakit daun kopi dengan performa yang relatif sebanding. Model ShuffleNetV2 + Swin Transformer unggul dalam hal accuracy dan precision, sedangkan MobileNetV3 + Swin Transformer menunjukkan keseimbangan performa terbaik berdasarkan nilai recall dan F1-score. Model MobileViT + Swin Transformer memiliki performa yang kompetitif, namun belum memberikan peningkatan signifikan dibandingkan dua model lainnya.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,824
Tahun 2026 · Penulis: Adellia Putri
Klasifikasi Penyakit Batang Buah Naga Merah Menggunakan Arsitektur Eca-Resnet-50 Berbasis Website
Buah naga merah adalah salah satu komoditas hortikultura dengan nilai ekonomi tinggi di Indonesia. Salah satu tantangan utama penanaman buah naga adalah infeksi penyakit batang, yang dapat mengurangi pertumbuhan tanaman dan produktivitas tanaman. Identifikasi
- Cosine 0,819
Tahun 2025 · Penulis: Firliya Nanda Iqtisadi Walmalia
Implementasi E-Nose Untuk Menentukan Level Roasting Biji Kopi Arabika (Coffea arabica L.) Dan Kopi Robusta (Coffea canephora)
Penyangraian merupakan salah satu proses penting dalam menentukan kualitas akhir biji kopi. Penyangraian mempengaruhi karakteristik aroma dan rasa kopi yang dihasilkan. Proses penyangraian diklasifikasikan menjadi tiga tingkat sangrai, yaitu light roast, mediu
- Cosine 0,813
Tahun 2025 · Penulis: Noval Sofyan Ramadhan
Klasifikasi Penyakit Daun Tebu Menggunakan Swin Transformer dan Augmentasi Data RandAugment
Patogen adalah organisme yang dapat merusak tumbuhan, termasuk tanaman tebu. Penyakit akibat patogen dapat dideteksi di laboratorium, tetapi prosesnya memerlukan banyak langkah dan waktu yang cukup lama. Teknologi computer vision mampu mengatasi tantangan ini,