Electronic Theses and Dissertation

Pisang merupakan salah satu komoditas penting di Indonesia, di mana tidak hanya buahnya dikonsumsi, tetapi daunnya juga dimanfaatkan sebagai pembungkus makanan tradisional. Identifikasi penyakit pada daun pisang umumnya masih dilakukan secara manual melalui pengamatan visual, yang rawan kesalahan dan memerlukan keahlian khusus. Beberapa penelitian sebelumnya telah mengembangkan model klasifikasi berbasis Deep learning, seperti BananaSqueezeNet dan VGG19, namun masih menghadapi keterbatasan, terutama pada ketergantungan terhadap dataset tertentu. Penelitian ini menghasilkan data primer berupa gambar daun pisang dalam empat kategori, yaitu sehat, cordana, sigatoka, dan hama. Selanjutnya, dilakukan pelatihan model menggunakan dua arsitektur Deep learning, yaitu EfficientNetV2B0 dan Swin Transformer, dengan tiga konfigurasi learning rate (1e-3, 1e-4, dan 1e-5). Hasil evaluasi menunjukkan bahwa kedua model mampu mencapai performa tinggi dengan akurasi, precision, recall, dan F1-score 99%. EfficientNetV2B0 unggul dalam efisiensi waktu pelatihan, sedangkan Swin Transformer menunjukkan performa yang lebih stabil terhadap variasi learning rate yang digunakan.

Pisang merupakan salah satu komoditas penting di Indonesia, di mana tidak hanya buahnya dikonsumsi, tetapi daunnya juga dimanfaatkan sebagai pembungkus makanan tradisional. Identifikasi penyakit pada daun pisang umumnya masih dilakukan secara manual melalui pengamatan visual, yang rawan kesalahan dan memerlukan keahlian khusus. Beberapa penelitian sebelumnya telah mengembangkan model klasifikasi berbasis Deep learning, seperti BananaSqueezeNet dan VGG19, namun masih menghadapi keterbatasan, terutama pada ketergantungan terhadap dataset tertentu. Penelitian ini menghasilkan data primer berupa gambar daun pisang dalam empat kategori, yaitu sehat, cordana, sigatoka, dan hama. Selanjutnya, dilakukan pelatihan model menggunakan dua arsitektur Deep learning, yaitu EfficientNetV2B0 dan Swin Transformer, dengan tiga konfigurasi learning rate (1e-3, 1e-4, dan 1e-5). Hasil evaluasi menunjukkan bahwa kedua model mampu mencapai performa tinggi dengan akurasi, precision, recall, dan F1-score 99%. EfficientNetV2B0 unggul dalam efisiensi waktu pelatihan, sedangkan Swin Transformer menunjukkan performa yang lebih stabil terhadap variasi learning rate yang digunakan.