KLASIFIKASI PENYAKIT DAUN PADI MENGGUNAKAN MOBILENETV2 DENGAN OPTIMASI DYNAMIC RANGE QUANTIZATION PADA APLIKASI MOBILE OFFLINE

Abstract

Daun padi yang menunjukkan gejala penyakit perlu dikenali sejak awal karena gangguan tersebut dapat berdampak pada produktivitas tanaman. Identifikasi secara manual masih bergantung pada pengalaman pengguna dan dapat menjadi tidak konsisten ketika bercak, warna, atau tekstur daun terlihat mirip. Artikel ini menyajikan sistem klasifikasi citra daun padi berbasis MobileNetV2, kemudian model diperkecil melalui Dynamic Range Quantization agar dapat dijalankan pada aplikasi Android tanpa koneksi internet. Data penelitian diperoleh dari Kaggle dengan empat kelas, yaitu healthy, brown spot, bacterial leaf blight, dan leaf blast. Setelah proses pembersihan dan penyeimbangan, jumlah data yang digunakan adalah 11.600 citra. Model dilatih dengan transfer learning, diuji pada data terpisah, lalu dikonversi ke format TensorFlow Lite. MobileNetV2 menghasilkan akurasi 96,44%, sedangkan model TFLite DRQ menghasilkan akurasi 96,16%. Optimasi menurunkan ukuran file dari 26,301 MB menjadi 2,395 MB dan mempercepat rata-rata inferensi dari 91,15 ms/gambar menjadi 30,86 ms/gambar. Model hasil optimasi berhasil diintegrasikan ke aplikasi Android offline yang menyediakan input kamera, galeri, hasil prediksi, confidence, waktu inferensi, dan riwayat klasifikasi lokal