Skripsi S1

KLASIFIKASI PENYAKIT POHON KELAPA UNTUK DATA IMBALANCED MENGGUNAKAN DCGAN DAN ALGORITMA MOBILENETV2

Penyakit pada pohon kelapa menjadi salah satu faktor utama penurunan produktivitas perkebunan, sementara proses identifikasi di lapangan masih dilakukan secara manual dan rentan terhadap kesalahan. Selain itu, ketidakseimbangan distribusi data (imbalanced dataset) menyebabkan model klasifikasi cenderung bias terhadap kelas mayoritas. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit kelapa menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 serta menerapkan Deep Convolutional Generative Adversarial Network (DCGAN) untuk mengatasi ketidakseimbangan data. Dataset yang digunakan terdiri dari 5.798 citra yang diklasifikasikan ke dalam lima kategori: Bud Rot, Bud Root Dropping, Gray Leaf Spot, Leaf Rot, dan Stem Bleeding. Kualitas citra sintetis dari DCGAN dievaluasi menggunakan Fréchet Inception Distance (FID) Score menghasilkan skor 123.48 sampai dengan 186.62 yang menunjukkan bahwa citra hasil generasi memiliki kemiripan distribusi fitur yang cukup baik terhadap citra asli sehingga layak digunakan untuk proses penyeimbangan. Hasil pengujian model menunjukkan bahwa sebelum balancing diperoleh accuracy 91.98%, precision 90%, recall 92%, dan F1-score 91%. Setelah penerapan balancing, performa meningkat menjadi accuracy 94.22%, precision 95%, recall 94%, dan F1-score 95%. Hasil ini membuktikan bahwa balancing menggunakan DCGAN efektif dalam memperbaiki distribusi data dan meningkatkan kemampuan generalisasi model, sehingga mendukung klasifikasi penyakit pohon kelapa secara lebih akurat dan efisien pada sistem pertanian berbasis digital.

2026