ANALISIS PENYAKIT DAUN MANGGA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING NASNETMOBILE DAN RESNET50
DOI:
https://doi.org/10.36595/jire.v8i2.1710Keywords:
Data Mining, Penyakit Daun Mangga, Klasifikasi Citra, NASNetMobile, ResNet50Abstract
Penyakit pada tanaman mangga dapat menurunkan produktivitas dan kualitas hasil panen, sehingga deteksi dini menjadi penting untuk mencegah kerugian bagi petani. Penelitian ini bertujuan untuk mengidentifikasi dan mengklasifikasikan penyakit pada daun mangga menggunakan algoritma klasifikasi data mining, yaitu NASNetMobile dan ResNet50. Dataset yang digunakan berjumlah 1.800 citra daun mangga, yang terdiri atas tiga kelas penyakit dengan masing-masing kelas berjumlah 600 citra, yaitu antraknosa, cendawan jelaga, dan ulat daun. Dataset dibagi menjadi data pelatihan sebesar 80%, validasi 10%, dan pengujian 10%. Tahapan pra-pemrosesan dilakukan melalui normalisasi gambar dan augmentasi data untuk meningkatkan performa model. Kedua model dibandingkan berdasarkan metrik evaluasi berupa akurasi, precision, recall, dan f1-score. Hasil menunjukkan bahwa model NASNetMobile memperoleh akurasi sebesar 96%, sedangkan ResNet50 hanya mencapai 73%. Berdasarkan hasil tersebut, NASNetMobile terbukti lebih efektif dalam mendeteksi penyakit daun mangga secara otomatis. Hasil penelitian ini memberikan manfaat praktis berupa potensi pengembangan sistem berbasis mobile atau web sebagai alat bantu deteksi dini penyakit tanaman yang dapat digunakan langsung oleh petani untuk mendukung pengambilan keputusan yang cepat dan akurat.
Downloads
References
[1] N. Tati, “Peningkatan Produksi Bibit Mangga Agrimania Melalui Teknik Sambung Susu di Poktan Agrimania Kabupaten Indramayu,” IPB University, 2021.
[2] S. Utami, K. Baskoro, L. Khotimperwati, and M. Murningsih, “Keragaman Varietas Mangga (Mangifera indica L.) Di Kotamadya Semarang Jawa Tengah,” Bioma?: Berkala Ilmiah Biologi, vol. 21, no. 2, pp. 121–125, 2019, doi: 10.14710/bioma.21.2.121-125.
[3] T. Ayu, V. Dwi, and A. E. Minarno, “Pendiagnosa Daun Mangga Dengan Model Convolutional Neural Network,” CESS (Journal of Computer Engineering System and Science), vol. 6, no. 2, pp. 230–235, 2021.
[4] A. P. V. Hapsari, M. Hasdar, Daryono, and Y. Purwanti, “Kadar Vitamin C pada Mangga Arum Manis yang disimpan pada Suhu yang Berbeda,” Jurnal Kewarganegaraan, vol. 6, no. 3, pp. 5475–5481, 2022.
[5] A. Ayuningtyas, “Penggunaan Madu dan Mangga (Mangifera Indica) pada Penyembuhan Luka,” Journal of Health Science and Physiotherapy, vol. 2, no. 1, pp. 111–115, 2020, doi: 10.35893/jhsp.v2i1.41.
[6] N. Z. Afifah, R. I. Septiani, and R. A. Putri, “Dampak Perubahan Iklim Terhadap Produksi Dan Ekspor Pada Komoditi Kopi,” JURNAL ILMIAH RESEARCH STUDENT, vol. 2, no. 1, pp. 473–480, 2025, doi: 10.61722/jirs.v2i1.3710.
[7] BPS, “Produksi Mangga Di Indonesia Tahun 2023-2024.” Accessed: Jul. 14, 2025. [Online]. Available: https://share.google/NnUJysswdvNtCoLPF
[8] Harmiansyah, E. T. Oviana, R. Alpaizon, D. P. Khalifah, and P. Dwirotama, “Sistem Deteksi Hama dan Penyakit Tanaman Mangga (Mangifera indica L.) Berbasis Deep Learning Menggunakan Model Pra Latih YOLOv5,” Jurnal Agrikultura, vol. 35, no. 1, pp. 151–163, 2024, doi: 10.24198/agrikultura.v35i1.53834.
[9] R. A. Rizvee et al., “LeafNet: A proficient convolutional neural network for detecting seven prominent mango leaf diseases,” J Agric Food Res, vol. 14, pp. 1–13, 2023, doi: 10.1016/j.jafr.2023.100787.
[10] F. Gusnanto, N. Rahaningsih, R. D. Dana, and Mulyawan, “Optimasi Model Klasifikasi Tingkat Kematangan Buah Mangga Dengan Metode Yolo11,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 1, pp. 1773–1780, 2025, doi: 10.36040/jati.v9i1.12591.
[11] I. J. Efendi, J. Muktabir, K. S. Billah, M. V. Al Qadri, W. O. Asriyani, and A. A. Ismoyo, “Diagnocar: Pendeteksian Otomatis Kerusakan Mobil Menggunakan Deep Learning Berbasis Citra Lewat Perangkat Mobile,” Simtek?: Jurnal Sistem Informasi Dan Teknik Komputer, vol. 10, no. 1, pp. 199–205, 2025, doi: 10.51876/simtek.v10i1.1547.
[12] R. FATURRAHMAN, Y. S. HARIYANI, and S. HADIYOSO, “Klasifikasi Jajanan Tradisional Indonesia berbasis Deep Learning dan Metode Transfer Learning,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 4, pp. 945–957, 2023, doi: 10.26760/elkomika.v11i4.945.
[13] N. Hardi, “Komparasi Algoritma MobileNet Dan Nasnet Mobile Pada Klasifikasi Penyakit Daun Teh,” Jurnal Rekayasa Perangkat Lunak, vol. 3, no. 1, pp. 50–55, 2022, doi: 10.31294/reputasi.v3i1.1313.
[14] T. S. Winanto, C. Rozikin, and A. Jamaludin, “Analisa Performa Arsitektur Transfer Learning Untuk Mengindentifikasi Penyakit Daun Pada Tanaman Pangan,” Journal of Applied Informatics and Computing (JAIC), vol. 7, no. 1, pp. 74–87, 2023, doi: 10.30871/jaic.v7i1.5991.
[15] G. A. S. Gado and P. N. Primandari, “Sistem Klasifikasi Berbasis Android untuk Penyakit Buah Kakao Menggunakan CNN NasNet-Mobile,” Jurnal Teknologi Terpadu, vol. 11, no. 1, pp. 27–35, 2025, doi: 10.54914/jtt.v11i1.1821.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
