ANALISIS PERFORMA EFFICIENTNET-B0 PADA KLASIFIKASI VARIETAS BUAH TROPIS BERDASARKAN FITUR MORFOLOGI CITRA

Abstract

Penelitian ini bertujuan untuk menganalisis performa model Convolutional Neural Network (CNN) menggunakan arsitektur EfficientNet-B0 dalam klasifikasi citra buah tropis berdasarkan karakteristik morfologi. Permasalahan dalam penelitian ini adalah proses identifikasi buah yang masih dilakukan secara manual sehingga kurang efisien dan rentan terhadap kesalahan. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan pendekatan berbasis deep learning dengan memanfaatkan metode CNN untuk mengekstraksi fitur visual citra secara otomatis, seperti warna, bentuk, dan tekstur buah. Dataset citra buah diperoleh dari sumber open access dan melalui tahap preprocessing yang meliputi resizing, normalisasi, dan augmentasi data guna meningkatkan kualitas pelatihan model. Selain itu, penelitian ini menerapkan pendekatan hierarchical classification untuk meningkatkan kemampuan model dalam melakukan klasifikasi secara bertahap. Proses evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model EfficientNet-B0 mampu mencapai akurasi tertinggi sebesar 99,69% pada skenario dataset terbesar dengan tingkat kesalahan yang sangat rendah. Berdasarkan hasil tersebut, model yang dikembangkan terbukti mampu meningkatkan efisiensi dan konsistensi dalam proses klasifikasi buah, sehingga berpotensi untuk diterapkan pada bidang pertanian dan industri pangan.