Konsep vektor, khususnya terkait arah dan transformasi besaran dalam ruang 3D, menuntut kemampuan visualisasi spasial yang tinggi. Media pembelajaran konvensional dan aplikasi AR statis seringkali memiliki keterbatasan dalam merepresentasikan proses terjadinya operasi vektor secara nyata. Penelitian ini bertujuan mengimplementasikan teknik Visualisasi Vektor Dinamis (Dynamic Vector Visualization) berbasis Augmented Reality (AR) untuk mensimulasikan perilaku vektor secara real-time. Sistem dikembangkan menggunakan engine Unity 3D dengan menerapkan arsitektur Visualisasi Berbasis Status (State-Driven Visualization). Metode ini mengintegrasikan aset adaptif dari Blender (Keyframe Animation) dengan logika kontrol Finite State Machine (FSM) untuk menjamin presisi geometris dan efisiensi komputasi pada perangkat mobile. Validasi dilakukan oleh ahli materi dan media, serta uji usability terhadap 30 mahasiswa. Hasil pengujian menunjukkan bahwa teknik visualisasi dinamis memperoleh skor validasi ahli materi sebesar 86% dan ahli media sebesar 95%. Uji penerimaan pengguna menghasilkan skor System Usability Scale (SUS) sebesar 92,7 yang masuk dalam kategori "Best Imaginable". Temuan ini mengonfirmasi bahwa integrasi mekanisme animasi prosedural dalam lingkungan AR terbukti efektif dalam membantu mahasiswa memvisualisasikan konsep abstrak operasi vektor dibandingkan representasi statis.
 
Kata Kunci - Augmented Reality; Visualisasi Dinamis; Vektor; Finite State Machine; Unity 3D.

Tanaman padi memegang peranan penting untuk ketersediaan pangan di indonesia. Namun, banyak faktor yang dapat mempengaruhi panen pada tanaman padi, salah satunya adalah penyakit dan hama pada tanaman padi. Keterlambatan penanganan pada penyakit dan hama tanaman padi bisanya terjadi karena keterlambatan diagnosis penyakit dan hama tanaman padi, apalagi pada daerah terpencil yang memiliki keterbatasan akses internet dan komputasi. Oleh karena itu proses klasifikasi penyakit dan hama pada tanaman padi secara otomatis yang dapat di implementasikan pada perangkat dengan daya sumber yang terbatas, seperti perangkat seluler sangat dibutuhkan. Penelitian ini membandingkan lima arsitektur Transfer Learning yaitu MobileNet V2, NasNet Mobile, EfficientNet B7, Inception V3, VGG 16 dan model dengan simple CNN. Penelitian ini menggunakan dataset Rahman yang berisikan 5 penyakit, 3 hama dan 1 tanaman padi sehat. Setiap data akan melewati tahap preprocessing dan augmentasi. MobileNet V2 memiliki jumlah parameter dan performa yang cukup baik dalam mengklasifikasi penyakit tanaman padi dengan jumlah parameter yaitu 2.269.513, accuracy sebesar 96%, precision sebesar96%, recall sebesar96%, specificity sebesar 99%, dan f1-score sebesar 96%.