ANALISIS KINERJA DAN INTERPRETABILITAS ARSITEKTUR MOBILENETV3 PADA KLASIFIKASI PENYAKIT DAUN MANGGA MENGGUNAKAN GRAD-CAM

Perkembangan computer vision dan deep learning memungkinkan identifikasi penyakit tanaman berbasis citra secara otomatis dengan tingkat akurasi tinggi. Namun, model deep learning masih memiliki keterbatasan dalam interpretabilitas karena proses pengambilan keputusan yang bersifat black box. Penelitian ini bertujuan untuk menganalisis kinerja MobileNetV3-Large dalam klasifikasi penyakit daun mangga serta memberikan interpretasi menggunakan metode Grad-CAM. Dataset yang digunakan adalah MangoLeafBD yang terdiri dari 4.000 citra daun mangga dengan delapan kelas penyakit, yaitu healthy, anthracnose, bacterial canker, cutting weevil, die back, gall midge, powdery mildew, dan sooty mould. Penelitian dilakukan melalui tahap preprocessing, augmentasi data, pelatihan model menggunakan transfer learning, serta evaluasi menggunakan Stratified 5-Fold Cross Validation dengan metrik accuracy, precision, recall, dan F1-score. Model dilatih menggunakan MobileNetV3-Large dengan penerapan label smoothing untuk meningkatkan kemampuan generalisasi. Model terbaik kemudian dianalisis menggunakan Grad-CAM untuk mengetahui area citra yang menjadi fokus model dalam proses klasifikasi. Hasil penelitian menunjukkan bahwa MobileNetV3-Large memiliki performa klasifikasi yang stabil dengan nilai accuracy antara 95,50% hingga 96,38%. Performa terbaik diperoleh pada Fold 1 dengan accuracy 96,38%, precision 96,51%, recall 96,38%, dan F1-score 96,36%. Visualisasi Grad-CAM menunjukkan bahwa model mampu memusatkan perhatian pada area daun yang mengalami gejala penyakit, sehingga meningkatkan interpretabilitas hasil prediksi. Dengan demikian, MobileNetV3-Large efektif digunakan untuk klasifikasi penyakit daun mangga berbasis citra dengan performa tinggi dan keputusan model yang lebih mudah dipahami.