eprintid: 47068 rev_number: 18 eprint_status: archive userid: 20018 dir: disk0/00/04/70/68 datestamp: 2025-02-18 03:23:15 lastmod: 2025-02-18 03:23:15 status_changed: 2025-02-18 03:23:15 type: thesis metadata_visibility: show contact_email: 3332190026@untirta.ac.id creators_name: Dewi, Eka Muspita creators_id: 3332190026 contributors_type: http://www.loc.gov/loc.terms/relators/THS contributors_type: http://www.loc.gov/loc.terms/relators/THS contributors_name: Masjudin, Masjudin, S.T., M.Eng. contributors_name: Muhammad, Fadhil, S.T.,M.T. contributors_id: 198312312019031018 contributors_id: 199104172019031013 corp_creators: Universitas Sultan Ageng Tirtayasa corp_creators: Fakultas Teknik corp_creators: Jurusan Teknik Elektro title: DETEKSI PENYAKIT BUAH JERUK MENGGUNAKAN METODE ALGORITMA CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR MOBILENET V2 ispublished: pub subjects: TA divisions: Elektro full_text_status: public keywords: Kecerdasan Buatan, Convolutional Neural Network, MobileNetV2 abstract: Revolusi Industri Keempat, atau Industrial Revolution 4.0, membawa perubahan signifikan dalam sektor pertanian melalui Agriculture 4.0. Teknologi informasi dan otomasi meningkatkan produktivitas dan keberlanjutan, terutama pada tanaman jeruk yang penting di Indonesia. Namun, petani jeruk menghadapi tantangan besar dari hama dan penyakit akibat kurangnya pengetahuan pengendalian yang tepat, serta metode diagnosa manual yang kurang akurat. Penelitian ini memanfaatkan kecerdasan buatan (AI) dengan metode Deep Learning, khususnya Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV2, untuk mendeteksi tiga buah penyakit buah jeruk dan membandingkan dengan buah jeruk yang tidak terkena penyakit. Hasilnya menunjukkan akurasi 0.9612 dan performa yang baik dalam metrik presisi, recall, dan F1-score, membuktikan bahwa teknologi AI dapat efektif mendukung petani jeruk dalam meningkatkan kualitas dan kuantitas produksi. date: 2025-03-18 date_type: published institution: Fakultas Teknik Universitas Sultan Ageng Tirtayasa department: Teknik Elektro thesis_type: sarjana thesis_name: sarjana referencetext: [1] N. J. Harahap, “ Mahasiswa dan revolusi Industri 4.0,” Journal of industrial revolution 4.0, vol. 3, no. 5, pp. 1–2, 2019. [2] P. Studi Statistika, Retno Dwi Pusptasari, “Pertanian Berkelanjutan Berbasis Revolusi Industi 4.0 ,” Jurnal pertanian revolusi 4.0, vol. 1, no. 1, 2020 [3] C. Wariyah, “Vitamin C Retention And Acceptability Of Orange (Citrus Nobilis Var. Microcarpa) Juice During Storage In Refrigerator,” Jurnal AgriSains, vol. 1, no. 1, 2020. [4] M. Yesuf, “Pseudocercospora Leaf and Fruit Spot Disease Of Citrus: Achievements And Challenges In The Citrus Industry: A review,” Agricultural Sciences, vol. 04, no. 07, pp. 324–328, 2013, doi: 10.4236/as.2013.47046. [5] J. A. Ridjal, “Analisis Faktor Determinan Keikusertaan Petani Berkelompok, Pendapatan dan Pemasaran Jeruk Siam di Kabupaten Jember,” Journal of Social and Agricultural Economics, vol. 2, no. 1, pp. 1–9, 2018. [6] A. Arif, “ Sistem Pakar Hama Dan Penyakit Tanaman Jeruk Gerga Pagar Alam Menggunkan Metode Euclidean Distance Berbasis Website,” Jurnal Teknologi Informasi Mura, vol. 11, no. 02, pp. 68–75, Dec. 2019, doi: 10.32767/jti.v11i02.610. [7] S. Lee, G. Choi, H. C. Park, and C. Choi, “Automatic Classification Service System for Citrus Pest Recognition Based on Deep Learning,” Sensors, vol. 22, no. 22, Nov. 2022, doi: 10.3390/s22228911. [8] W. Shen, Y. Wu, Z. Chen, and H. Wei, “Grading method of leaf spot disease based on image processing,” in Proceedings - International Conference on Computer Science and Software Engineering, CSSE 2008, 2008, pp. 491–494. doi: 10.1109/CSSE.2008.1649. [9] R. Pakpahan, “Analisa Pengaruh Implementasi Artifical Inteligence Dalam Kehidupan Manusia,” Journal of Information System, Informatics and Computing Issue Period, vol. 5, no. 2, pp. 506–513, 2021, doi: 10.52362/jisicom.v5i2.616. [10] Z. Unal, “Smart Farming Becomes Even Smarter With Deep learning - A Bibliographical Analysis,” IEEE Access, vol. 8, pp. 105587–105609, 2020, doi: 10.1109/ACCESS.2020.3000175. [11] E. Anggiratih, S. Siswanti, S. K. Octaviani, and A. Sari, “Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep learning Efficientnet B3 Dengan Transfer Learning,” Jurnal Ilmiah SINUS, vol. 19, no. 1, p. 75, Jan. 2021, doi: 10.30646/sinus.v19i1.526. [12] A. Amandri Achyar, A. Muhammud Olow, M. Rizky Perdana, A. Sundawijaya, and A. Dhiyaanisafa Goenawan, “Identifikasi Ras Wajah dengan Menggunakan Metode Deep learning Model Keras,” 2022. [13] Y. A. Suwitono and F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” Jurnal Komtika (Komputasi dan Informatika), vol. 6, no. 2, pp. 109–121, Nov. 2022, doi: 10.31603/komtika.v6i2.8054. [14] D. I. Swasono, M. Abuemas, R. Wijaya, and A. Hidayat, “Klasifikasi Penyakit pada Citra Buah Jeruk Menggunakan Convolutional Neural Networks (CNN) dengan Arsitektur Alexnet,” 2023. [Online]. Available: https://www.kaggle.com/Datasets/jonathansilva2020/orange- [15] S. Mudholakar, K. G, K. K. K T, and S. G V, “Automatic Detection of Citrus Fruit and Leaves Diseases Using Deep Neural Network,” Int J Res Appl Sci Eng Technol, vol. 10, no. 7, pp. 4043–4051, Jul. 2022, doi: 10.22214/ijraset.2022.45868. [16] A. Hadhiwibowo, S. R. Asri, and R. A. Dinata, “Penerapan Convolutional Neural Network dengan Arsitektur Mobilenetv2 Pada Aplikasi Penerjemah dan Pembelajaran Bahasa Isyarat,” TIN: Terapan Informatika Nusantara, vol. 4, no. 8, pp. 518–523, Jan. 2024, doi: 10.47065/tin.v4i8.4879. [17] J. A. Ridjal, “Analisis Faktor Determinan Keikutsertaan Petani Berkelompok, Pendapatan dan Pemasaran Jeruk Siam Di Kabupaten Jember,” J-SEP, vol. 2, no. 1, 2019. [18] Widyati and S. Hindarti, “Analisis Pendapatan Usaha TaniDan Pemasaran Jeruk Keprok,” JU-ke (JurnalKetahananPangan), vol. 5, no. 1, 2021. [19] W. Datika et al., “Motivasi Membangun Kebon Jeruk Keprok RGL (Rimau Gerga Lembong) Di Kelurahan Agung Lawangan Kecematan Dempo Utara Kota Pagar Alam),” pp. 40–50, 2019. [20] Y. D. Puspita, L. Sulistyowati, and S. Djauhari, “Eksplorasi Jamur Endofit Pada Tanaman Jeruk (Citrus sp) Fusiprotoplas dengan Ketahanan Berbeda Terhadap Botriodiplodia theobromae Pat,” 2020. [21] A. Eryana, Sriyanto, and Firmansyah, “Prediksi Malaria Menggunakan Metode Pre-Trained Model Algoritma EfficientNet-B0 dan MobileNet-V2,” Jurnal Ilmiah Komputasi, vol. 22, no. 1, Mar. 2023, doi: 10.32409/jikstik.22.1.3332. [22] G. N. Agrios, Plant Pathology 5th Eds. California, USA: Elsevier Academic Press, 2005. [23] K. Rajabasa, K. Lampung, and P. Lampung, “Jurnal Pengabdian Fakultas Pertanian Universitas Lampung Menggunakan Terumbu Buatan Di Perairan Desa Jurnal Pengabdian Fakultas Pertanian Universitas Lampung,” vol. 02, no. 01, pp. 280–293, 2023. [24] I. G. P. Wirawan, S. Simanjuntak, M. Sritamin, and N. Wijaya, “Detection of Citrus Vein Phloem Degeneration (CVPD) disease and the quality of healthy fruits in nutrient deficiency of citrus,” Bali Med. J., vol. 6, no. 3, p. 117, 2017, doi: 10.15562/bmj.v6i3.757. [25] S. Tang, S. Yuan, and Y. Zhu, “Convolutional Neural Network in Intelligent Fault Diagnosis Toward Rotatory Machinery,” IEEE Access, vol. 8, pp. 86510–86519, 2020, doi: 10.1109/ACCESS.2020.2992692. [26] R. Indraswari, R. Rokhana, and W. Herulambang, “Melanoma image classification based on MobileNetV2 network,” Procedia Comput Sci, vol. 197, pp. 198–207, 2022, doi: 10.1016/j.procs.2021.12.132. [27] Y. Miftahuddin and F. Zaelani, “Perbandingan Metode Efficientnet-B3 dan Mobilenet-V2 Untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun,” 2022. [28] E. Elfatimi, R. Eryigit, and L. Elfatimi, “Beans Leaf Diseases Classification Using MobileNet Models,” IEEE Access, vol. 10, pp. 9471–9482, 2022, doi: 10.1109/ACCESS.2022.3142817. [29] T. Yusnanto and D. Lestiono, “Optimalisasi Penggunaan CMD dan Sysinternalsuits Sebagai Malware Dettection,” Jurnal TRANSFORMASI (Informasi & Pengembangan Iptek), vol. 15, no. 1, 2019. [30] paul kirvan, Learning CMD,” IJCIT (Indonesian Journal on Computer and Information Technology, vol. 3, no. 1, pp. 31–2, . 2021. [31] B. Wijaya and A. Pratama, “Deteksi Penyusupan Pada Server Menggunakan Metode Intrusion Detection System (IDS) Berbasis Snort,” Sistem Informasi dan Komputer), vol. 09, pp. 97–101, doi: 10.32736/sisfokom.v9.i1.770. [32] I. H. Al Amin, “Artficial Intelligence dalam Proses Industri Manufaktur,” Jurnal Teknologi Informasi DINAMIK, vol. XIV, no. 2, pp. 98–104, 2019. [33] A. Tasyah et al., “Pengenalan Kecerdasan Buatan Kepada Para Remaja di Komunitas Perpus Jungle Parung Panjang,” 2021. [34] T. Wahyudi, “Studi Kasus Pengembangan dan Penggunaan Artificial Intelligence (AI) Sebagai Penunjang Kegiatan Masyarakat Indonesia,” Indonesian Journal on Software Engineering (IJSE), vol. 9, no. 1, pp. 28–32, 2023, [Online]. Availablehttp://ejournal.bsi.ac.id/ejurnal/index.php/ijse28 [35] I. T. Madhini, E. Rahmawati, N. N. Rohmah, Y. Saudi, Ishanan, and Fathurijal, “Kecerdasan Buatan dalam Produksi Konten Penyairan : Peluang dan Tantangan,” Seminar Nasional Paedagoria, vol. 4, no. 2087–8705, pp. 613–613, 2024. [36] A. Santoso and G. Ariyanto, “Implementasi Deep learning Berbasis Keras Untuk Pengenalan Wajah,” Jurnal Teknik Elektro, vol. 18, no. 01, [Online]. Available: https://www.mathworks.com/discovery/convol [37] M. Haris, T. Pustaka, M. H. Diponegoro, S. Kusumawardani, and I. Hidayah, [38] “Tinjauan Pustaka Sistematis: Implementasi Metode Deep learning pada Prediksi Kinerja Murid (Implementation of Deep learning Methods in Predicting Student Performance: A Systematic Literature Review),” 2021. [39] I. W. S. E. P., A. Y. Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101,” Jurnal Teknik ITS, vol. 05, no. 1, pp. A65–A65, 2020. [40] R. Darma Nurfita and G. Ariyanto, “Implementasi Deep learning Berbasis Tensorflow Untuk Pengenelan Sidik Jari,” Jurnal Teknik Elektro, vol. 18, no. 1, pp. 23–23, 2021. [41] I. W. S. E. P, A. Yudhi Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101,” JURNAL TEKNIK ITS, vol. 5, no. 1, 2019. [42] B. Dwi Hartomo, “Penerapan Computer Vision Untuk Absensi Wajah Berbasis Algoritma CNN Pada Guru SMK Excellent 1 Tangerang,” 2021. [43] K. Dong, C. Zhou, Y. Ruan, and Y. Li, “MobileNetV2 Model for Image Classification,” in Proceedings - 2020 2nd International Conference on Information Technology and Computer Application, ITCA 2020, Institute of Electrical and Electronics Engineers Inc., Dec. 2020, pp. 476–480. doi: 10.1109/ITCA52113.2020.00106. [44] N. A. S. Badrulhisham and N. N. A. Mangshor, “Emotion Recognition Using Convolutional Neural Network (CNN),” in Journal of Physics: Conference Series, IOP Publishing Ltd, Jul. 2021. doi: 10.1088/1742-6596/1962/1/012040. [45] T. Yusnanto and D. Lestiono, “Optimalisasi Penggunaan CMD dan Sysinternalsuits Sebagai Malware Dettection,” Jurnal TRANSFORMASI (Informasi & Pengembangan Iptek), vol. 15, no. 1, 2019. [46] Paul Kirvan, Learning CMD,” IJCIT (Indonesian Journal on Computer and Information Technology, vol. 3, no. 1, pp. 31–2, . 2021. [47] B. Wijaya and A. Pratama, “Deteksi Penyusupan Pada Server Menggunakan Metode Intrusion Detection System (IDS) Berbasis Snort,” Sistem Informasi dan Komputer), vol. 09, pp. 97–101, doi: 10.32736/sisfokom.v9.i1.770. [48] L. Indriyani, W. Susanto, D. Riana, N. Stmik, and J. Mandiri, “Teknik Pengolahan Citra Menggunakan Aplikasi Matlab Pada Pengukuran Diameter Buah Jeruk Keprok,” IJCIT (Indonesian Journal on Computer and Information Technology, vol. 2, no. 1, pp. 46–52, 2020. [49] N. Nafi’iyah, “Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner,” Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA), vol. 9, no. 2, 2021. [50] A. B. Kaswar, A. A. N. Risal, Fatiah, and Nurjannah, “Klasifikasi Tingkat Kematangan Buah Markisa Menggunkan Jaringan Syaraf Tiruan Berbasis Pengolahan Citra Digital,” JESSI, vol. 1, no. 1, 2020. [51] M. N. Winnarto, M. Mailasari, and A. Purnamawati, “Klasifikasi Jenis Tumor Otak Menggunakan Arsitektur MobileNetV2,” Jurnal SIMETRIS, vol. 13, no. 2, 2022. [52] Christovao Jonathan “Dataset for Classification Of Citrus Diseases”. [Online].Available:https://www.kaggle.com/Datasets/jonathansilva2020/Dataset- for-classification-of-citrus-diseases. [Accesed 20 September 2023]. [53] Christovao Jonathan “Orange diseases Dataset”, [Online]. Available : https://www.kaggle.com/Datasets/jonathansilva2020/orange-diseases-Dataset [Accesed 20 September 2023]. citation: Dewi, Eka Muspita (2025) DETEKSI PENYAKIT BUAH JERUK MENGGUNAKAN METODE ALGORITMA CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR MOBILENET V2. S1 thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa. document_url: https://eprints.untirta.ac.id/47068/1/EKA%20MUSPITA%20DEWI_3332190026_FULL%20TEXT.pdf document_url: https://eprints.untirta.ac.id/47068/2/EKA%20MUSPITA%20DEWI_3332190026_01.pdf document_url: https://eprints.untirta.ac.id/47068/3/EKA%20MUSPITA%20DEWI_3332190026_02.pdf document_url: https://eprints.untirta.ac.id/47068/4/EKA%20MUSPITA%20DEWI_3332190026_03.pdf document_url: https://eprints.untirta.ac.id/47068/5/EKA%20MUSPITA%20DEWI_3332190026_04.pdf document_url: https://eprints.untirta.ac.id/47068/6/EKA%20MUSPITA%20DEWI_3332190026_05.pdf document_url: https://eprints.untirta.ac.id/47068/7/EKA%20MUSPITA%20DEWI_3332190026_LAM.pdf document_url: https://eprints.untirta.ac.id/47068/8/EKA%20MUSPITA%20DEWI_3332190026_REF.pdf document_url: https://eprints.untirta.ac.id/47068/9/EKA%20MUSPITA%20DEWI_3332190026_CP.PDF