Analisis Komparatif Kinerja MobileNetV2, VGG16, dan InceptionV3 dengan Pendekatan Fine Tuning pada Identifikasi Penyakit Daun Tomat
Abstract
Teknik deteksi yang cepat dan tepat sangat penting karena penyakit daun tomat merupakan salah satu faktor yang dapat menurunkan kualitas dan kuantitas panen. Namun, sebagian besar deteksi penyakit daun tomat masih dilakukan secara manual menggunakan inspeksi mata yang subjektif dan rawan kesalahan. Akibatnya, teknologi computer vision diperlukan untuk memungkinkan kategorisasi penyakit secara otomatis. Untuk mendiagnosis penyakit daun tomat, penelitian ini membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN) MobileNetV2, VGG16, dan InceptionV3. Data yang digunakan adalah 9.799 foto daun tomat yang dikategorikan ke dalam sepuluh kelompok penyakit. Persiapan data, pelatihan model menggunakan transfer learning dan fine-tuning, serta penilaian menggunakan metrik akurasi, presisi, recall, dan F1-score merupakan beberapa langkah dalam proses penelitian. Berdasarkan hasil pengujian, VGG16 memiliki akurasi tertinggi sebesar 98%, diikuti oleh MobileNetV2 sebesar 87% dan InceptionV3 sebesar 94%. Dibandingkan dengan model lain, VGG16 juga menghasilkan nilai akurasi, recall, dan F1 score terbaik.
Rapid and precise detection techniques are essential since tomato leaf diseases are one of the elements that might lower the harvest's quality and quantity. However, the majority of tomato leaf disease detection is still done by hand using subjective and error-prone eye inspection. As a result, computer vision technology is required to enable automated illness categorization. In order to diagnose tomato leaf diseases, this study compares the performance of three Convolutional Neural Network (CNN) architectures: MobileNetV2, VGG16, and InceptionV3. Roboflow provided the data, which includes 9,799 tomato leaf photos categorized into ten disease groups. Data preparation, model training utilizing transfer learning and fine-tuning, and assessment using accuracy, precision, recall, and F1-score metrics are all steps in the research process. According to the test findings, VGG16 had the greatest accuracy of 98%, followed by MobileNetV2 at 87% and InceptionV3 at 94%. In comparison to the other models, VGG16 also generated the best accuracy, recall, and F1-score values.
Keywords
References
H. N. Orun, “Klasifikasi Penyakit Daun Tomat Menggunakan VGG Berbasis Website Classification of Tomato Leaf Diseases Using Web- Based VGG,” MARAS, vol. 2, no. 3, pp. 1306–1312, 2024, doi: https://doi.org/10.60126/maras.v2i3.367.
P. A. Azli, A. Syahrani, and G. Y. Swara, “Segmentasi Citra Daun Tomat untuk Klasifikasi Penyakit Tanaman Menggunakan Support Vector Machine ( SVM ),” J. Inform. J. Pengemb. IT, vol. 10, no. 4, pp. 997–1008, 2025, doi: 10.30591/jpit.v10i4.9404.
R. Soekarta et al., “IMPLEMENTASI DEEP LEARNING UNTUK DETEKSI JENIS OBAT proses kehidupan dan merupakan senyawa tubuh ( Prabowo , 2021 ). Saat ini berbagai jenis dibedakan beberapa bentuk sediaan obat . Dalam lingkungan farmasi yang untuk automatisasi dalam pengelolaan obat s,” JIKA, vol. 7, no. 4, pp. 455–464, 2023, doi: https://doi.org/10.31000/jika.v7i4.9751.
A. W. Salehi, S. Khan, G. Gupta, B. I. Alabduallah, and A. Almjally, “A Study of CNN and Transfer Learning in Medical Imaging : Advantages , Challenges , Future Scope,” Sustainability, vol. 15, no. 7, p. 5930, 2023, doi: https://doi.org/10.3390/su15075930.
A. Nurdin, D. Satria, Y. Kartika, A. Rezha, and E. Najaf, “Klasifikasi Penyakit Daun Tomat Dengan Metode Convolutional Neural Network Menggunakan Arsitektur Inception-V3,” JIF, vol. 12, no. 1, pp. 1–6, 2024, doi: https://doi.org/10.33884/jif.v12i02.9162.
M. A. Pradana, R. I. Maulana, R. S. Putra, and F. Tri, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network ( CNN ) VGG16,” KERNEL, vol. 4, no. 2, pp. 61–69, 2023, doi: 10.31284/j.kernel.2023.v4i2.6829.
A. S. Adis Prima Aryaputra, Danang Wahyu Widodo, “Klasifikasi Penyakit Daun Tomat Menggunakan Algoritma CNN Mobilenet V2,” INOTEK, vol. 9, no. 1, pp. 102–108, 2025, doi: https://doi.org/10.29407/s37pzf98.
K. D. L. S. R and A. D. Hartanto, “Studi Literatur Mengenai Klasifikasi Citra Kucing Dengan Menggunakan Deep Learning : Convolutional Neural Network ( CNN ),” JEECOM, vol. 6, no. 1, pp. 129–137, 2024, doi: 10.33650/jeecom.v4i2.
A. R. M. Antony Christ Hartono, “Penerapan Transfer Learning MobileNetV2 Pada Klasifikasi Citra Jenis Buah-Buahan,” JISAD, vol. 3, no. 2, pp. 103–111, 2025, doi: 10.26905/jisad.v3i2.16187.
D. Penyakit, D. Jagung, Y. A. Sitorus, Y. A. Sari, and S. Adinugroho, “Evaluasi Komparatif Arsitektur Lightweight CNN , MobileNetV2 , dan,” JPTIIK, vol. 9, no. 8, pp. 1–6, 2025, doi: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/15217.
N. N. Tiara Dwi Lestari, “Perbandingan vgg16, vgg19, mobilenet dan mobilenetv2 untuk klasifikasi beras berdasarkan citra 1),” RABIT, vol. 11, no. 1, pp. 1368–1380, 2026, doi: DOI : https://doi.org/10.36341/rabit.v11i1.7338.
M. K. Insani and D. B. Santoso, “Perbandingan Kinerja Model Pre-Trained CNN ( VGG16 , Wajah pada Sistem Absensi Karyawan Abstrak,” JIMIK, vol. 5, no. 3, pp. 2612–2622, 2024, doi: https://doi.org/10.35870/jimik.v5i3.925.
H. Ety Sutanty, Maukar, Dina Kusuma Astuti, “Penerapan Model Arsitektur VGG16 Untuk Klasifikasi Jenis Sampah,” DECODE, vol. 3, no. 2, pp. 407–419, 2023, doi: https://doi.org/10.51454/decode.v3i2.331.
D. Prasetia, B. Hanggara, R. Naufaldihanif, A. Clark, P. Wijaya, and A. Ibrahim, “KLASIFIKASI KONDISI KEBERSIHAN SUNGAI DARI CITRA DIGITAL MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ALGORITMA INCEPTION V3 DAN XCEPTION,” JATI, vol. 9, no. 3, pp. 5338–5343, 2025, doi: https://doi.org/10.36040/jati.v9i3.14123.
B. P. H. Aryo Bimo Wicaksono, “Analisis performa arsitektur cnn inceptionv3 dan vgg16 dalam klasifikasi deteksi kanker otak,” JIPI, vol. 10, no. 2, pp. 938–948, 2025, doi: https://doi.org/10.29100/jipi.v10i2.6090.
Refbacks
- There are currently no refbacks.
Editorial Office :
Prosiding SENDIKO (Seminar Nasional Hasil Penelitian & Pengabdian Masyarakat Bidang Ilmu Komputer)
Published by Universitas PGRI Madiun
Managed by Program Studi Sistem Informasi Fakultas Teknik Universitas PGRI Madiun
Address Jl. Auri 14-16 Kota Madiun Kampus III Universitas PGRI Madiun 63118
Website http://prosiding.unipma.ac.id/index.php/sendiko/index
Email [email protected]
e-ISSN: 3025-4604