IMPLEMENTASI ENSEMBLE LEARNING DENGAN ARSITEKTUR CNN RINGAN UNTUK KLASIFIKASI PENYAKIT DAUN MANGGA PADA PERANGKAT KOMPUTASI

Abstract

Penelitian ini mengimplementasikan metode ensemble learning menggunakan arsitektur CNN ringan untuk klasifikasi penyakit daun mangga. Dataset yang digunakan terdiri dari 4.000 citra daun mangga yang terbagi dalam 8 kelas penyakit. Tahapan penelitian meliputi preprocessing data, augmentasi, pelatihan dua model CNN (MobileNetV2 dan Custom CNN), pembentukan ensemble soft voting, serta optimasi model melalui pruning dan quantization untuk meningkatkan efisiensi pada perangkat edge. Evaluasi dilakukan menggunakan akurasi, precision, recall, F1-score, ukuran model, dan latensi inferensi berbasis simulasi CPU yang mereplikasi karakteristik perangkat edge. Hasil penelitian menunjukkan bahwa MobileNetV2 memberikan performa individual terbaik dengan akurasi 99.50%, sementara ensemble menghasilkan akurasi tertinggi 99.75%. Optimasi model menggunakan pruning dan quantization menurunkan ukuran model hingga 69% dan mempercepat inferensi sebesar 27% tanpa penurunan akurasi yang signifikan. Temuan ini menunjukkan bahwa model CNN ringan yang dioptimasi sangat sesuai untuk implementasi sistem diagnosis penyakit daun mangga pada perangkat komputasi berdaya rendah.