Janottama Kalam Putra Sucipto, Bety Wulan Sari

KLASIFIKASI VARIETAS BIBIT DURIAN MENGGUNAKAN RESNET50: PENDEKATAN DEEP LEARNING UNTUK PERTANIAN DIGITAL

Introduction

Klasifikasi varietas bibit durian menggunakan resnet50: pendekatan deep learning untuk pertanian digital. Identifikasi akurat varietas bibit durian krusial. Penelitian ini memakai ResNet50 dan deep learning untuk klasifikasi 4 varietas (Bawor, Duri Hitam, Musang King, Super Tembaga) dengan akurasi 96%. Mendukung pertanian digital.

Abstract

Identifikasi varietas bibit durian secara akurat pada fase pembibitan sangat krusial untuk mencegah kerugian ekonomi akibat kesalahan pemilihan varietas unggul. Namun, identifikasi manual berbasis visual memiliki kelemahan pada subjektivitas dan tingkat kesalahan manusia yang tinggi. Penelitian ini mengusulkan model klasifikasi otomatis untuk empat varietas durian populer (Bawor, Duri Hitam, Musang King, dan Super Tembaga) menggunakan arsitektur Deep Residual Network (ResNet50). Peningkatan akurasi dilakukan melalui integrasi teknik prapemrosesan background removal berbasis ambang batas untuk mereduksi noise latar belakang dan penerapan strategi fine-tuning pada lapisan fully connected. Selain itu, optimasi hyperparameter dilakukan secara sistematis untuk menentukan learning rate dan batch size optimal. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai performa superior dengan akurasi klasifikasi sebesar 96% dan stabilitas nilai loss pada rentang 0.15–0.20. Hasil ini membuktikan bahwa pendekatan deep learning dengan optimasi prapemrosesan mampu memberikan solusi identifikasi yang lebih objektif dan presisi dibandingkan metode konvensional. Penelitian ini berkontribusi pada pengembangan sistem pertanian digital yang cerdas dalam mendukung standarisasi kualitas bibit durian.

Review

Penelitian ini mengusulkan solusi krusial untuk masalah identifikasi varietas bibit durian yang akurat, sebuah tantangan signifikan dalam pertanian yang berpotensi menyebabkan kerugian ekonomi akibat kesalahan pemilihan varietas unggul. Mengatasi kelemahan inheren identifikasi manual yang subjektif dan rentan kesalahan manusia, para penulis mengembangkan model klasifikasi otomatis. Pendekatan inti melibatkan penggunaan arsitektur Deep Residual Network (ResNet50) yang diterapkan pada empat varietas durian populer: Bawor, Duri Hitam, Musang King, dan Super Tembaga. Metodologi ini diperkuat dengan teknik prapemrosesan background removal berbasis ambang batas untuk mengurangi *noise* latar belakang, fine-tuning pada lapisan *fully connected*, serta optimasi sistematis *hyperparameter* seperti *learning rate* dan *batch size*. Hasil eksperimen menunjukkan performa yang sangat baik dengan akurasi klasifikasi sebesar 96% dan stabilitas nilai *loss* dalam rentang 0.15–0.20. Kekuatan utama dari penelitian ini terletak pada aplikasinya yang langsung relevan dan praktis untuk sektor pertanian digital. Dengan berhasil mendemonstrasikan akurasi tinggi menggunakan ResNet50 yang dikombinasikan dengan strategi prapemrosesan yang efektif, penelitian ini menyajikan bukti kuat bahwa *deep learning* dapat mengatasi keterbatasan metode identifikasi konvensional secara objektif dan presisi. Kontribusi terhadap pengembangan sistem pertanian cerdas untuk standarisasi kualitas bibit durian sangat signifikan, berpotensi meningkatkan efisiensi dan mengurangi kerugian ekonomi bagi petani. Integrasi optimasi *hyperparameter* dan fine-tuning juga menunjukkan pendekatan yang teliti dalam mencapai kinerja model yang optimal. Meskipun hasilnya menjanjikan, ada beberapa area yang dapat memperkaya dan memperkuat penelitian ini di masa depan. Abstrak tidak merinci ukuran atau karakteristik dataset yang digunakan, yang krusial untuk mengevaluasi generalisasi dan robustnes model. Disarankan untuk memberikan perbandingan yang lebih ekstensif tidak hanya dengan "metode konvensional" (yang cenderung merujuk pada inspeksi manual) tetapi juga dengan arsitektur *deep learning* lainnya atau pendekatan *machine learning* tradisional untuk lebih menegaskan keunggulan ResNet50. Selain itu, eksplorasi lebih lanjut tentang kinerja model dalam kondisi lingkungan yang bervariasi (misalnya, pencahayaan, kompleksitas latar belakang) dan skalabilitas ke lebih banyak varietas durian akan sangat berharga untuk penerapan praktis di lapangan.

Full Text

Comments

You need to be logged in to post a comment.