Improving the Accuracy of Duri Peningkatan Akurasi Identifikasi Varietas Bibit Durian Menggunakan MobileNetV2 dan Teknik Optimasi
Keywords:
Mobilenetv2, Bibit Durian, Citra Daun, Klasifikasi Tanaman, Pertanian DigitalAbstract
Identifikasi varietas bibit durian sejak dini sangat penting untuk menjamin kualitas dan produktivitas hasil pertanian. Namun, proses identifikasi secara manual masih memiliki keterbatasan dalam hal akurasi dan objektivitas. Penelitian ini bertujuan untuk meningkatkan akurasi identifikasi varietas bibit durian berbasis citra daun menggunakan arsitektur Convolutional Neural Network (CNN) MobileNetV2. MobileNetV2 dipilih karena efisiensinya yang tinggi dan kemampuannya beroperasi pada perangkat dengan sumber daya terbatas, seperti ponsel. Dengan memanfaatkan teknik depthwise separable convolution, model ini dapat mengekstraksi fitur visual secara efektif tanpa membebani kinerja sistem. Penelitian ini diharapkan dapat menghasilkan sistem klasifikasi yang ringan, akurat, dan aplikatif untuk mendukung pertanian digital, khususnya dalam membantu petani memilih bibit durian yang tepat. Hasil penelitian ini juga berpotensi memperluas penerapan teknologi AI dalam sektor agronomi dan identifikasi tanaman lainnya.
References
Bergstra, J., & Bengio, Y. (2012). *Random search for hyper-parameter optimization*. *Journal of Machine Learning Research, 13*, 281–305.
Halim, R., Nugroho, D., & Prasetyo, E. (2023). Penerapan teknologi pengenalan citra pada klasifikasi varietas tanaman tropis menggunakan deep learning. *Jurnal Teknologi Pertanian Digital, 6*(1), 45–52.
Jasitha, P., Suma, M. S., & Sudarshan, V. V. (2022). Plant leaf classification using deep learning and SVM: A comparative study. *Procedia Computer Science, 196*, 51–58. [https://doi.org/10.1016/j.procs.2021.12.008](https://doi.org/10.1016/j.procs.2021.12.008)
Mulyani, E., & Susanto, H. (2017). Penerapan metode pengolahan citra untuk klasifikasi tingkat kematangan buah apel fuji. *Jurnal Teknologi dan Sistem Komputer, 5*(3), 430–435. [https://doi.org/10.14710/jtsiskom.5.3.2017.430-435](https://doi.org/10.14710/jtsiskom.5.3.2017.430-435)
Nana, M., Saputra, D. R., & Widodo, B. (2022). Klasifikasi buah anggur menggunakan data augmentasi dan CNN. *Jurnal Ilmu Komputer dan Informatika, 10*(2), 110–118.
Rodame, M., & Sobir, S. (2010). *Budidaya durian unggul: Panduan pemilihan varietas dan teknik perbanyakan*. Jakarta: Penebar Swadaya.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. *Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition*, 4510–4520. [https://doi.org/10.1109/CVPR.2018.00474](https://doi.org/10.1109/CVPR.2018.00474)
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. (2015). Going deeper with convolutions. *Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition*, 1–9. [https://doi.org/10.1109/CVPR.2015.7298594](https://doi.org/10.1109/CVPR.2015.7298594)
Taslim, M., Rahmat, R. F., & Gunawan, D. (2021). Deep learning-based leaf classification using ResNet-50 architecture. *Indonesian Journal of Artificial Intelligence and Data Mining, 4*(3), 135–142. [https://doi.org/10.24014/ijaidm.v4i3.12791](https://doi.org/10.24014/ijaidm.v4i3.12791)
Wagle, A. A., Gautam, R., & Rai, M. (2022). Crop disease detection and classification using CNN. *Materials Today: Proceedings, 56*(2), 330–335. [https://doi.org/10.1016/j.matpr.2021.07.329](https://doi.org/10.1016/j.matpr.2021.07.329)
