Analisis Optimasi Algoritma Convolutional Neural Network (CNN) untuk Deteksi Dini Penyakit Tanaman pada Perangkat Mobile Berbasis Edge Computing

Abstract

Penyakit tanaman merupakan ancaman serius terhadap ketahanan pangan global, namun sistem deteksi berbasis cloud yang ada saat ini tidak efektif di wilayah pertanian dengan keterbatasan akses internet. Penelitian ini bertujuan mengevaluasi efektivitas optimasi algoritma Convolutional Neural Network (CNN) berbasis arsitektur MobileNetV2 yang diimplementasikan pada perangkat mobile melalui pendekatan edge computing untuk mendukung deteksi dini penyakit tanaman secara offline dan mandiri. Penelitian menggunakan desain eksperimental kuantitatif berbasis komputasi dengan dataset PlantVillage yang mencakup ±54.000 citra dari tiga komoditas strategis (tomat, kentang, jagung) dengan 15 kelas penyakit. Model dikembangkan menggunakan depthwise separable convolutions dan transfer learning dari ImageNet, dilatih dengan optimizer Adam (learning rate 0,0001), kemudian dikonversi ke format TensorFlow Lite untuk deployment pada aplikasi Android. Evaluasi menghasilkan akurasi 94,5%, precision 94,1%, recall 93,8%, dan F1-score 94,0%, dengan ukuran model 14 MB dan waktu inferensi rata-rata 120 milidetik pada smartphone RAM 4 GB. Dibandingkan VGG16 (akurasi 95,1%, ukuran 528 MB), MobileNetV2 jauh lebih efisien tanpa mengorbankan akurasi secara signifikan. Pendekatan ini berimplikasi pada tersedianya solusi deteksi penyakit tanaman yang akurat, ringan, dan dapat dioperasikan tanpa konektivitas internet, sehingga berpotensi mendukung pengambilan keputusan dini oleh petani dan meningkatkan produktivitas pertanian secara berkelanjutan.