Klasifikasi Tingkat Kematangan Singkong Menggunakan CNN MobileNetV2 Berbasis Citra Daun dan Batang pada Sistem Pertanian Pintar
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Penentuan tingkat kematangan singkong (Manihot esculenta Crantz) di lapangan secara tradisional masih bergantung pada perkiraan visual dan pengalaman petani. Metode subjektif ini seringkali menyebabkan ketidaktepatan waktu panen, yang berujung pada penurunan kualitas pati dan potensi kerugian. Penelitian ini bertujuan untuk mengimplementasikan sistem klasifikasi otomatis tingkat kematangan singkong (Mentah dan Matang) menggunakan arsitektur Convolutional Neural Network (CNN) MobileNetV2 berdasarkan citra daun dan batang tanaman. Perubahan warna daun menjadi menguning dan perubahan tekstur batang merupakan indikator visual alami yang dijadikan acuan klasifikasi. Dataset yang digunakan terdiri dari 400 citra asli yang telah melalui proses pre-processing dan Augmentasi Data (rotasi, flip horizontal, zoom, dan variasi kecerahan) untuk menghasilkan 800 sampel pelatihan efektif. Augmentasi ini bertujuan memperkaya variasi visual dan mengurangi risiko overfitting. Arsitektur MobileNetV2 dipilih karena sifatnya yang ringan dan efisien, sehingga cocok untuk implementasi pada sistem pertanian pintar (smart farming) berbasis perangkat IoT. Model dilatih selama 40 epoch dengan optimasi menggunakan Adam. Hasil evaluasi model pada data uji menunjukkan akurasi klasifikasi sebesar 80%. Berdasarkan confusion matrix, model menunjukkan performa yang lebih baik dalam mengenali kelas Mentah (Recall 0.87) dibandingkan kelas Matang (Recall 0.73), mengindikasikan bahwa variasi visual pada daun matang lebih kompleks. Secara keseluruhan, model MobileNetV2 terbukti efektif, akurat, dan efisien dalam klasifikasi kematangan singkong, memberikan solusi yang objektif untuk mendukung pengambilan keputusan waktu panen.
Rincian Artikel
Referensi
A. Abdulrahman, M. Mohammed, and R. Hassan, “Deep learning-based plant disease detection using convolutional neural networks: A review,” Journal of Agricultural Informatics, vol. 12, no. 3, pp. 45–58, 2021.
S. Albawi, T. Mohammed, and S. Al-Zawi, “Understanding of a convolutional neural network,” in Proc. International Conference on Engineering and Technology (ICET), 2020, pp. 1–6.
A. Howard, M. Sandler, B. Chen, W. Wang, and M. Tan, “Searching for MobileNetV3,” in Proc. IEEE International Conference on Computer Vision (ICCV), 2020, pp. 1314–1324.
S. Kaur, S. Pandey, and S. Goel, “Plants disease identification and classification through leaf images: A survey,” Archives of Computational Methods in Engineering, vol. 28, no. 3, pp. 1429–1468, 2021.
Y. Liu and M. Tanaka, “Adaptive data augmentation for improving robustness in image classification,” IEEE Transactions on Image Processing, vol. 31, pp. 2214–2227, 2022.
A. Loya and S. Hussain, “MobileNetV2-based lightweight deep model for agricultural product classification,” Computers and Electronics in Agriculture, vol. 205, p. 107684, 2023.
S. Minaee, Y. Boykov, F. Porikli, A. Plaza, and N. Kehtarnavaz, “Image segmentation using deep learning: A survey,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, no. 7, pp. 3523–3542, 2022.
M. M. Rahman, M. S. Hossain, and M. K. Hasan, “Fruit classification using deep learning for smart agriculture,” Computers and Electronics in Agriculture, vol. 177, p. 105707, 2020.
C. Shorten and T. M. Khoshgoftaar, “A survey on image data augmentation for deep learning,” Journal of Big Data, vol. 8, no. 1, pp. 1–48, 2021.
M. Tan and Q. Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” in Proc. International Conference on Machine Learning (ICML), 2020, pp. 6105–6114.
M. Uddin, S. Rehman, and S. Bae, “Entropy-based adaptive augmentation for deep image classification,” Expert Systems with Applications, vol. 223, p. 119958, 2023.
H. Zhang, M. Cisse, Y. Dauphin, and D. Lopez-Paz, “mixup: Beyond empirical risk minimization,” in Proc. International Conference on Learning Representations (ICLR), 2020.
H. Zhao, Z. Zhou, and X. Zhang, “A lightweight CNN model for crop maturity detection under real-field conditions,” Agricultural Engineering International, vol. 26, no. 1, pp. 12–25, 2024.