IDENTIFIKASI VARIETAS BIBIT DURIAN MENGGUNAKAN MOBILENETV2 BERDASARKAN GAMBAR DAUN
DOI:
https://doi.org/10.36595/jire.v7i2.1236Keywords:
cnn, mobilenet, identifikasi, durian, daunAbstract
Durian merupakan tanaman buah yang sangat berharga dan menyediakan sumber pendapatan yang berkelanjutan bagi petani. Durian terdapat berbagai varietas yang memiliki ciri khas yang unik, termasuk perbedaan dalam bentuk, warna, rasa dan aroma dari daging buahnya. Identifikasi bibit durian yang akurat penting bagi petani untuk memaksimalkan potensi pertanian dalam memenuhi permintaan pasar yang sesuai. Namun, mengidentifikasi jenis bibit durian secara manual seringkali merupakan tugas yang rumit dan subjektif, terutama bagi petani yang kurang berpengalaman. Penelitian ini menggunakan arsitektur MobileNetV2 untuk mengidentifikasi jenis bibit durian berdasarkan gambar daun. Model dilatih dengan berbagai kombinasi learning rate dan batch size menggunakan Adam optimizer. Tahap prapemrosesan melibatkan penghapusan latar belakang dan penggunaan bounding box untuk memfokuskan pada daun durian. Hasil menunjukkan bahwa MobileNetV2 dapat mengklasifikasikan varietas durian dengan akurasi tertinggi 90% menggunakan learning rate 0.0001 dan batch size 32. Penelitian ini mendukung pengembangan teknologi identifikasi tanaman yang membantu petani dalam memilih varietas durian dengan cepat dan akurat.
References
A. Muthulakshmi and P. N. Renjith, “Classification of durian fruits based on ripening with machine learning techniques,” in Proceedings of the 3rd International Conference on Intelligent Sustainable Systems, ICISS 2020, Institute of Electrical and Electronics Engineers Inc., Dec. 2020, pp. 542–547. doi: 10.1109/ICISS49785.2020.9316006.
N. A. A. Aziz and A. M. M. Jalil, “Bioactive compounds, nutritional value, and potential health benefits of indigenous durian (Durio zibethinus Murr.): A review,” Foods, vol. 8, no. 3. MDPI Multidisciplinary Digital Publishing Institute, Mar. 01, 2019. doi: 10.3390/foods8030096.
N. A. H. A. Halim, S. Suhaila, N. S. A. M. Taujuddin, and R. Hazli, “Durian Tree Type Identification Based on Durian Leaves,” Evol. Electr. Electron. Eng., vol. 4, no. 1, pp. 551–558, 2023, doi: 10.30880/eeee.2023.04.01.066.
S. A. Wagle, R. Harikrishnan, S. H. M. Ali, and M. Faseehuddin, “Classification of plant leaves using new compact convolutional neural network models,” Plants, vol. 11, no. 1, Jan. 2022, doi: 10.3390/plants11010024.
P. Jasitha, M. R. Dileep, and M. Divya, “Venation Based Plant Leaves Classification Using GoogLeNet and VGG,” in 2019 4th International Conference on Recent Trends on Electronics, Information, Communication & Technology (RTEICT), Bangalore, India, 2019, pp. 715–719. doi: 10.1109/RTEICT46194.2019.9016966.
M. Ali Nur Hidayat, Kusrini, and Hanafi, “Convolutional Neural Network Pada Identifikasi Varian Tanaman Anggur Menggunakan Resnet-50,” J. Tek. Inform. dan Sist. Inf., vol. 10, no. 3, pp. 61–70, 2023, doi: 10.35957/jatisi.v10i3.4789.
A. Taslim, S. Saon, A. K. Mahamad, M. Muladi, and W. N. Hidayat, “Plant leaf identification system using convolutional neural network,” Bull. Electr. Eng. Informatics, vol. 10, no. 6, pp. 3341–3352, Dec. 2021, doi: 10.11591/eei.v10i6.2332.
Y. Miftahuddin and F. Zaelani, “Perbandingan Metode Efficientnet-B3 dan Mobilenet-V2 Untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun,” 2022. doi: 10.33197/jitter.vol9.iss1.2022.911.
J. W. Tan, S. W. Chang, S. Abdul-Kareem, H. J. Yap, and K. T. Yong, “Deep Learning for Plant Species Classification Using Leaf Vein Morphometric,” IEEE/ACM Trans. Comput. Biol. Bioinforma., vol. 17, no. 1, pp. 82–90, Jan. 2020, doi: 10.1109/TCBB.2018.2848653.
N. Nafi’iyah and J. Maknun, “CNN Architecture for Classifying Types of Mango Based on Leaf Images,” Telematika, vol. 14, no. 2, pp. 112–121, Aug. 2021, doi: 10.35671/telematika.v14i2.1262.
Fitrianingsih and Rodiah, “Klasifikasi Jenis Citra Daun Mangga Menggunakan Convolutional Neural Network,” J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 3, pp. 223–238, 2020, doi: 10.35760/tr.2020.v25i3.3519.
D. Hidayat, “Klasifikasi Jenis Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Convolutio Nalneural Network(CNN),” J. Inf. Technol. Comput. Sci., vol. 5, no. 1, 2022, doi: 10.31539/intecoms.v5i1.3401.
K. Dong, C. Zhou, Y. Ruan, and Y. Li, “MobileNetV2 Model for Image Classification,” Proc. - 2020 2nd Int. Conf. Inf. Technol. Comput. Appl. ITCA 2020, pp. 476–480, 2020, doi: 10.1109/ITCA52113.2020.00106.
R. Metasari, Varietas Durian Unggul yang Potensial. Jakarta: Elementa Agro Lestari, 2023.
M. Xu, S. Yoon, A. Fuentes, and D. S. Park, “A Comprehensive Survey of Image Augmentation Techniques for Deep Learning,” Pattern Recognit., vol. 137, 2023, doi: 10.1016/j.patcog.2023.109347.
K. Alomar and H. I. Aysel, “Data Augmentation in Classification and Segmentation?: A Survey and New Strategies,” J. Imaging, vol. 9, no. 2, p. 46, 2023, doi: 10.3390/jimaging9020046.
R. Obuchowicz, M. Strzelecki, and A. Piórkowski, “Clinical Applications of Artificial Intelligence in Medical Imaging and Image Processing—A Review,” Cancers (Basel)., vol. 16, no. 10, p. 1870, 2024, doi: 10.3390/cancers16101870.
C. P. Lee, K. M. Lim, Y. X. Song, and A. Alqahtani, “Plant-CNN-ViT: Plant Classification with Ensemble of Convolutional Neural Networks and
Vision Transformer,” Plants, vol. 12, no. 14, Jul. 2023, doi: 10.3390/plants12142642.
F. Ferdiawan and B. Hartono, “Deteksi Suara Chord Piano Menggunakan Metode Convolutional Neural Network,” JIRE (Jurnal Inform. dan Rekayasa Elektron., vol. 5, no. 1, pp. 62–68, 2022, doi: 10.36595/jire.v5i1.552.
J. M. Informatika and S. I. Misi, “Multi-Scaleconvolutional Neural Networks Untuk Klasifikasicitra Tanaman Aglonema Hibrida,” MISI (Jurnal Manaj. Inform. Sist. Informasi), vol. 7, pp. 25–32, 2024, doi: 10.36595/misi.v5i2.
S. Farhadpour, T. A. Warner, and A. E. Maxwell, “Selecting and Interpreting Multiclass Loss and Accuracy Assessment Metrics for Classifications with Class Imbalance: Guidance and Best Practices,” Remote Sens., vol. 16, no. 3, pp. 1–22, 2024, doi: 10.3390/rs16030533.
P. Dan, U. Pasien, and M. Metode, “Klasifikasi risiko kematian pasien berdasarkan penyakit penyerta dan usia pasien menggunakan metode c4.5,” JIRE (Jurnal Inform. dan Rekayasa Elektron., vol. 6, no. 1, pp. 9–17, 2023, doi: 10.36595/jire.v6i1.699.
Published
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.