View/Open

Author
RANDY, HENDRIYAWAN

Date Published
18 Aug 2026

Advisor
I Wayan Wiprayoga Wisesa, S.Kom., M.Kom.,

Subject
Teknik Informatika

Publisher

Sektor pertanian, khususnya komoditas tomat dan kentang, sering kali mengalami kerugian hasil akibat keterlambatan diagnosis penyakit daun di lapangan. Solusi berbasis kecerdasan buatan melalui Convolutional Neural Network (CNN) menjanjikan diagnosis cepat, namun implementasinya pada perangkat Android dengan sumber daya terbatas membutuhkan arsitektur yang ringan dan proses kompresi model yang tepat. Penelitian ini bertujuan mengukur tingkat degradasi performa (akurasi dan latensi) arsitektur ShuffleNetV2 1.0x saat dikonversi dari PyTorch (FP32) menjadi TensorFlow Lite (TFLite INT8), serta mengevaluasi pergeseran atensi spasial model melalui Gradient-weighted Class Activation Mapping (Grad-CAM) sebelum dan sesudah kuantisasi. Model dilatih menggunakan 13 kelas citra daun tomat dan kentang dari PlantVillage Dataset, dengan konfigurasi hiperparameter optimal diperoleh melalui grid search 160 kombinasi. Validasi tambahan dilakukan menggunakan 200 citra data lapangan riil dalam desain faktorial 2x2 (kentang/tomat x latar putih/latar kebun) yang diuji langsung pada perangkat Android. Hasil pengujian menunjukkan model FP32 mencapai akurasi 99,61%, sedangkan model TFLite INT8 mencatatkan 98,79% (penurunan 0,82 poin persentase), diiringi penyusutan ukuran model sebesar 74,50% (dari 5,02 MB menjadi 1,28 MB) dan percepatan waktu inferensi sebesar 21,27% di lingkungan PC. Pada perangkat Android, akurasi berkisar antara 78,00% hingga 88,00% tergantung kondisi latar belakang citra, dengan penurunan akurasi yang lebih besar teridentifikasi sebagai dampak pergeseran domain (domain shift, terutama covariate shift) antara data laboratorium dan kondisi lapangan riil, bukan akibat kuantisasi model. Visualisasi Grad-CAM menunjukkan bahwa meskipun kuantisasi menyebabkan redistribusi parsial pada peta aktivasi, prioritas atensi spasial model tetap konsisten (korelasi Spearman rho = 0,99), sehingga interpretabilitas model dapat dipertahankan. Penelitian ini menyimpulkan bahwa kombinasi ShuffleNetV2 1.0x dan kuantisasi Post-Training Quantization INT8 layak diterapkan untuk diagnosis penyakit daun secara offline pada perangkat Android, dengan catatan diperlukan keragaman data pelatihan tambahan untuk mengurangi kesenjangan akurasi pada kondisi lapangan.

URI
https://repository.itera.ac.id/depan/submission/SB2608130019

Keyword
ShuffleNetV2 Kuantisasi TFLite Klasifikasi Penyakit Daun Grad-CAM Domain Shift Covariate Shift