Penerapan Teknik Masking dan Augmentasi pada Arsitektur CNN dan MobileNetV2 untuk Klasifikasi Fase Pertumbuhan Tomat
Keywords:
Deep Learning, Masking Citra, Augmentasi, Klasifikasi Tanaman Tomat, Transfer LearningAbstract
Tanaman tomat mengalami beberapa fase pertumbuhan yang menentukan kualitas dan hasil panen. Pengenalan fase-fase secara visual sangat penting untuk membantu petani mengambil keputusan budidaya yang tepat waktu. Penelitian ini membandingkan 2 (dua) metode deep learning yakni CNN konvensional dan MobileNetV2 berbasis Transfer Learning dalam klasifikasi dua tahap pertemuan tomat dari citra RGB. Sebelum menggunakan citra, citra dilakukan teknik masking sederhana berbasis threshold untuk menonjolkan objek utama tanaman dan meminimalkan background citra. Selanjutnya dilakukan augmentasi lanjutan guna menambah variasi data pelatihan. Data dibagi menjadi data latih dan data uji dengan rasio 80:20. Hasil pengujian menunjukkan bahwa model CNN menghasilkan akurasi 91,01 %, sedangkan MobileNetV2 memberikan akurasi lebih tinggi sebesar 93,26 %. Hasil ini menunjukkan bahwa pendekatan transfer learning mampu melakukan generalisasi pada dataset yang terbatas. Secara keseluruhan integrasi masking dan augmentasi terbukti efektif dalam meningkatkan akurasi dalam klasifikasi fase pertumbuhan tanaman tomat. Dalam hal ini berpotensi diterapkannya sistem monitoring tanaman berbasis citra untuk membantu pengembalian keputusan dalam pertanian digital.References
A. Nurdin, D. Satria, Y. Kartika, A. Rezha, and E. Najaf, “Klasifikasi Penyakit Daun Tomat Dengan Metode Convolutional Neural Network Menggunakan Arsitektur Inception-V3,” no. 1, pp. 1–6, 2024.
P. Palupiningsih, A. R. Sujiwanto, and R. R. B. P. Prawirodirjo, “Analisis Perbandingan Performa Model Klasifikasi Kesehatan Daun Tomat menggunakan arsitektur VGG, MobileNet, dan Inception V3,” J. Ilmu Komput. dan Agri-Informatika, vol. 10, no. 1, pp. 98–110, 2023, doi: 10.29244/jika.10.1.98-110.
M. Wahyuni, “Klasifikasi Penyakit Daun Tomat dengan Perbandingan Fungsi Aktivasi Multi Layer Perceptron,” vol. 13, pp. 1988–1998, 2024.
F. Sains and U. T. Yogyakarta, “SISTEM PREDIKSI TINGKAT KEMATANGAN BUAH TOMAT MENGGUANAKAN ARSITEKTUR VGG16,” vol. 5, no. 3, pp. 401–414, 2024, doi: 10.46576/djtechno.
N. Arifin, C. N. Insani, and M. R. Rasyid, “Klasifikasi Tingkat Kematangan Buah Tomat menggunakan Computer Vision untuk Smart Agriculture,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 22, no. 2, p. 509, 2023, doi: 10.53513/jis.v22i2.8387.
N. Sahrun and F. Firdaus, “Pemanfaatan Image Mining Untuk Klasifikasi dan Prediksi Kematangan Tomat Menggunakan Metode Jaringan Saraf Tiruan Backpropagation,” J. Rekayasa Teknol. Inf., vol. 4, no. 2, p. 125, 2020, doi: 10.30872/jurti.v4i2.5066.
M. Fajar, M. B. Sulthan, and I. Wahyudi, “Klasifikasi Tingkat Kematangan Buah Tomat Menggunakan Fitur Rgb Dan Hsi Berbasis Backpropagation,” J. Apl. Teknol. Inf. dan Manaj., vol. 4, no. 1, pp. 84–95, 2023, doi: 10.31102/jatim.v4i1.2177.
K. Saputra Nurbidina and I. Ketut Gede Suhartanaa, “Identifikasi Tingkat Kematangan Buah Tomat Menggunakan Convolution Neural Network (Cnn),” Jnatia, vol. 1, no. 1, pp. 747–750, 2022, [Online]. Available: https://www.kaggle.com/datasets/igedeindraaryasa/dataset-gambar.
