@phdthesis{eprintsunpak11240,
          school = {Universitas Pakuan},
           month = {July},
           title = {Model Identifikasi Penyakit Tanaman Jagung Berbasis 
Citra Daun Menggunakan ConvNeXt dan MaxViT.},
          author = {Naufal Alwi Pratama},
            year = {2026},
             url = {http://eprints.unpak.ac.id/11240/},
        abstract = {Naufal Alwi Pratama 2026. Model Identifikasi Penyakit Tanaman Jagung Berbasis 
Citra Daun Menggunakan ConvNeXt dan MaxViT. Dibawah bimbingan Dr. Arie 
Qur?ania, M.Kom. dan Yusma Yanti, M.Si.
Jagung (Zea mays L.) merupakan salah satu komoditas pangan penting di Indonesia 
yang produktivitasnya dapat menurun akibat serangan penyakit daun, sementara 
proses identifikasi secara manual masih bergantung pada pengamatan visual sehingga 
berpotensi menyebabkan keterlambatan penanganan. Pengembangan model 
identifikasi penyakit daun jagung berbasis citra digital dilakukan dengan 
membandingkan performa arsitektur ConvNeXt dan MaxViT, kemudian 
mengimplementasikan model terbaik ke dalam aplikasi web Maize Vision. Metode 
penelitian mengintegrasikan kerangka kerja Knowledge Discovery in Databases
(KDD) dan SDLC Waterfall. Dataset yang digunakan berjumlah 7.270 citra yang 
terdiri atas 2.035 data primer dan 5.235 data sekunder, dengan lima kelas, yaitu 
Common Rust, Gray Leaf Spot, Northern Leaf Blight, Pest Damage, dan Healthy. 
Tahapan penelitian meliputi preprocessing, augmentasi data, pelatihan model 
menggunakan pendekatan transfer learning, evaluasi menggunakan confusion matrix
dengan metrik accuracy, precision, recall, dan F1-score, serta implementasi model 
terbaik ke dalam aplikasi web yang selanjutnya diuji melalui pengujian struktural, 
fungsional, validasi, dan System Usability Scale (SUS). Hasil penelitian menunjukkan 
bahwa ConvNeXt memberikan performa terbaik dibandingkan MaxViT. Model 
ConvNeXt terbaik menggunakan optimizer AdamW dengan skenario pembagian data 
90:5:5 dan memperoleh accuracy 96,98\%, precision 0,97, recall 0,9695, dan F1-score
0,9697, sedangkan model MaxViT terbaik menggunakan optimizer Adam dengan 
skenario 80:10:10 dan memperoleh accuracy 94,91\%, precision 0,9515, recall 0,9502, 
dan F1-score 0,9506. Aplikasi Maize Vision yang dibangun menggunakan Vue.js dan 
FastAPI memperoleh skor System Usability Scale (SUS) sebesar 86,125, yang 
termasuk kategori Acceptable, Grade Scale B, dan Adjective Rating Excellent. 
Berdasarkan hasil tersebut, dapat disimpulkan bahwa arsitektur ConvNeXt lebih 
unggul dibandingkan MaxViT dalam mengidentifikasi penyakit daun jagung dan 
berhasil diimplementasikan pada aplikasi web dengan tingkat usability yang sangat 
baik.
Kata Kunci: Penyakit Daun Jagung, Deep Learning, Computer Vision, ConvNeXt, 
MaxViT}
}