Classification of Pineapple Disease Types Using the VGG16 and EfficiennetB7 Model Approaches: Classification

Oka Ediansa; Imam Riadi; Murinto Murinto

doi:10.33506/insect.v12i01.5292

Authors

Oka Ediansa Program Studi Sistem Informasi, Universitas Muhammadiyah Jambi
Imam Riadi Program Studi Sistem Informasi, Universitas Ahmad Dahlan
Murinto Murinto Program Studi Informatika, Universitas Ahmad Dahlan

DOI:

https://doi.org/10.33506/insect.v12i01.5292

Keywords:

Nanas, Otomasi, Klasifikasi Penyakit, EfficientNetB7, VGG16

Abstract

Penyakit pada buah nanas merupakan salah satu faktor utama penyebab penurunan kualitas hasil panen dan kerugian ekonomi bagi petani. Identifikasi penyakit secara manual seringkali tidak akurat karena subjektivitas pengamat. Penelitian ini bertujuan untuk mengklasifikasikan jenis penyakit pada buah nanas menggunakan pendekatan Deep Learning dengan membandingkan dua arsitektur populer, yaitu VGG16 dan EfficientNetB7. Dataset yang digunakan berjumlah 215 citra yang terbagi ke dalam empat kelas: Busuk Pangkal, Bercak Hitam, Busuk Inti Buah, dan Nanas Sehat. Karena keterbatasan jumlah data, teknik Transfer Learning dan augmentasi data diterapkan untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa EfficientNetB7 memberikan performa yang lebih unggul dibandingkan VGG16 dengan akurasi validasi sebesar 89,25%, precision 88,50%, dan f1-score 88,20%. Sementara itu, VGG16 mencapai akurasi validasi sebesar 84,50%. Meskipun EfficientNetB7 membutuhkan waktu komputasi yang lebih lama per epoch, keunggulannya dalam mengekstraksi fitur kompleks pada tekstur kulit nanas menjadikannya model yang lebih ideal untuk sistem deteksi penyakit tanaman. Penelitian ini diharapkan dapat menjadi rujukan dalam pengembangan teknologi otomasi pertanian untuk meningkatkan efisiensi penanganan penyakit pascapanen nanas.

References

[1] R. K. Apindiati, I. Hendarti, M. Rizal, and O. Tarigasa, “Identifikasi Penyakit Bercak Daun Nanas Di Kubu Raya, Kalimantan Barat,” J. Hama dan Penyakit Tumbuh., vol. 13, no. 2, pp. 121–129, 2025, doi: 10.21776/ub.jurnalhpt.2025.013.2.5.

[2] D. Liandaputra and A. Zahra, “Klasifikasi tingkat kematangan buah nanas menggunakan metode deep learning,” G-Tech J. Teknol. …, 2024, [Online]. Available: https://ejournal.uniramalang.ac.id/index.php/g-tech/article/view/4122

[3] J. Yao, S. N. Tran, S. Garg, and S. Sawyer, “Deep learning for plant identification and disease classification from leaf images: multi-prediction approaches,” ACM Comput. Surv., 2024, doi: 10.1145/3639816.

[4] R. R. Subramanian, N. J. S. Devi, D. Tulasi, B. N. Sri, and ..., “LeafNet: Design and Evaluation of a Deep CNN Model for Recognition of Diseases in Plant Leaves,” … Comput. Vis. …, 2024, doi: 10.1007/978-981-99-8684-2_7.

[5] M. Rijal, A. M. Yani, and A. Rahman, “Deteksi Citra Daun untuk Klasifikasi Penyakit Padi menggunakan Pendekatan Deep Learning dengan Model CNN,” J. Teknol. Terpadu, 2024, [Online]. Available: https://journal.nurulfikri.ac.id/index.php/JTT/article/view/1224

[6] M. F. Dzulqarnain, A. Fadlil, and I. Riadi, “Implementasi CNN berbasis Autoencoder pada Klasifikasi Pola Batik,” Proceeding Informatics Collab. Dessimenation Meet. Infocoding 2025, pp. 189–194, 2025.

[7] J. George and M. Sanu, “Identifikasi Kematangan Buah Nanas Menggunakan Citra Digital Dengan Metode K-NEAREST NEIGHBOR ( K-NN ) dan SUPPORT VECTOR MACHINE ( SVM ),” vol. 16, pp. 35–48, 2025, doi: https://doi.org/10.52972/hoaq.vol16no1.

[8] J. R. Hidaya, T. Informatika, and U. B. Darma, “Klasifikasi Penyakit Tanaman Nanas di Kota Prabumulih Menggunakan Model Transfer Learning Berbasis,” vol. 24, no. 4, pp. 1102–1111, 2025, doi: DOI : 10.62411/tc.v24i4.14186.

[9] M. Murinto, M. Rosyda, and M. Melany, “Klasifikasi Jenis Biji Kopi Menggunkan Convolutional Neural Network dan Transfer Learning pada Model VGG16 dan MobileNetV2,” JRST (Jurnal Ris. …, vol. 7, pp. 183–189, 2023, doi: http://dx.doi.org/10.30595/jrst.v7i2.16788.

[10] P. T. U. Prasetyo, B. Santoso, and S. Kacung, “Sistem Deteksi Penyakit Pada Daun Tanaman Kentang Menggunakan Metode Cnn Arsitektur VGG-Net,” J. Inform. Teknol. …, vol. 7, 2025, doi: https://doi.org/10.51401/jinteks.v7i2.5758.

[11] M. Hussain, T. Thaher, M. B. Almourad, and M. Mafarja, “Optimizing VGG16 deep learning model with enhanced hunger games search for logo classification,” pp. 1–34, 2024, doi: https://doi.org/10.1038/s41598-024-82022-5 1.

[12] M. I. F. Rozi, N. O. Adiwijaya, and ..., “Identifikasi Kinerja Arsitektur Transfer Learning Vgg16, Resnet-50, Dan Inception-V3 Dalam Pengklasifikasian Citra Penyakit Daun Tomat,” J. Ris. Rekayasa Elektro, vol. 5, 2023, doi: https://doi.org/10.30595/jrre.v5i2.18050.

[13] A. Rahman, M. Salim, and I. Riadi, “Klasifikasi Citra Spesies Bunga Di Indonesia Berbasis Convolutional Neural Network Menggunakan Teknik Transfer Learning,” J. Softw. Eng. Comput. Intell., vol. 2, no. 02, pp. 92–100, 2025, doi: 10.36982/jseci.v2i02.4942.

[14] P. Maini, H. Jia, N. Papernot, and A. Dziedzic, “LLM Dataset Inference : Did you train on my dataset ?,” in Conference on Neural Information Processing Systems, 2024, pp. 1–24. [Online]. Available: https://github.com/pratyushmaini/llm_dataset_inference/.

[15] A. A. Firdaus, A. Yudhana, and I. Riadi, “Indonesian presidential election sentiment: Dataset of response public before 2024,” 2024, Elsevier. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2352340923010235

[16] H. A. Firmasnsyah, K. Muchamad, and ..., “Klasifikasi Jenis Tanaman Rempah Rhizoma Zingiberaceae dengan Metode CNN dan VGG 19,” J. Tek. Inform. Aceh, vol. 9, 2024, doi: https://doi.org/10.51179/tika.

[17] S. Bhagat, M. Kokare, V. Haswani, P. Hambarde, and ..., “Advancing real-time plant disease detection: A lightweight deep learning approach and novel dataset for pigeon pea crop,” 2024, Elsevier. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2772375524000133

[18] M. Murinto, S. Winiarti, and I. Faisal, “Particle Swarm Optimization Algorithm for Hyperparameter Convolutional Neural Network and Transfer Learning VGG16 Model,” J. Comput. Sci. …, vol. 5, 2024, doi: https://doi.org/10.30596/jcositte.v5i1.16680.