<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="1708451">
 <titleInfo>
  <title>ANALISIS KINERJA MODEL MOBILENETV2 PADA KLASIFIKASI PENYAKIT DAUN PADI</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>RAHMAT MAULANA</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik</publisher>
   <dateIssued>2026</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Penyakit pada daun padi sering menurunkan kualitas pertumbuhan tanaman, sehingga diperlukan deteksi dini untuk mencegah kerugian hasil panen. Model klasifikasi penyakit daun padi menggunakan arsitektur MobileNetV2 yang dioptimalkan agar dapat diterapkan pada perangkat seluler. Dataset yang digunakan terdiri dari 1.920 citra daun padi yang mencakup enam kelas, yaitu Bacterial Leaf Blight, Brown Spot, Leaf Blast, Leaf Scald, Narrow Brown dan daun sehat. Tahapan penelitian meliputi pre-processing gambar, augmentasi, pembagian data, pelatihan model, serta evaluasi menggunakan metrik akurasi, precision, recall dan F1-score. Eksperimen dilakukan dengan variasi parameter epoch dan learning rate untuk mendapatkan konfigurasi terbaik. Hasil penelitian menunjukkan bahwa MobileNetV2 dengan learning rate 10⁻⁴ dan 100 epoch memberikan performa paling optimal dengan akurasi mencapai 97 persen serta nilai precision, recall dan F1-score yang stabil pada hampir seluruh kelas. Model ini berpotensi diintegrasikan ke dalam aplikasi berbasis TensorFlow Lite sebagai alat deteksi dini penyakit daun padi yang cepat, efisien dan praktis digunakan di lapangan, sehingga mendukung peningkatan produktivitas pertanian.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>1708451</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2026-01-15 12:47:51</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2026-01-15 14:32:04</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>