KLASIFIKASI DAUN TEH SIAP PANEN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR MOBILENETV2

Abstract

Penentuan waktu panen daun teh adalah faktor penting dalam industri teh yang secara signifikan mempengaruhi kualitas dan nilai jual produk. Maka dari itu, para petani teh dan produsen perlu memahami waktu yang tepat untuk memetik daun teh untuk menghasilkan teh berkualitas tinggi. Klasifikasi daun teh siap panen dapat menjadi solusi efektif untuk membantu dalam menentukan waktu panen yang optimal. Dalam rangka mencapai tujuan ini, pendekatan digital menjadi semakin penting, di mana pengenalan otomatis daun teh dapat dilakukan dengan cepat dan akurat. Salah satu metode yang digunakan dalam penelitian ini adalah Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Convolutional Neural Network (CNN), khusus dirancang untuk mengolah data dua dimensi seperti gambar. Keunggulan CNN terletak pada kemampuannya memahami dan mengklasifikasi aspek dan objek dalam citra. Salah satu arsitektur model Deep Learning menggunakan CNN yang populer adalah MobileNet. MobileNetV2, sebagai modifikasi MobileNet, memperkenalkan inverted residual blocks dan linear bottleneck. Perbedaan utama dengan MobileNetV1 terletak pada penggunaan bottleneck, yang memungkinkan model mengubah input dari tingkat rendah ke deskriptor tingkat tinggi. MobileNetV2 mampu ekstraksi fitur otomatis dan efisien melalui inverted residual blocks, dan linear bottleneck meningkatkan kapabilitas model dalam mengolah informasi. Dengan pendekatan ini, MobileNetV2 menggunakan CNN sebagai alat efektif untuk tugas-tugas klasifikasi citra, menawarkan kemampuan ekstraksi fitur otomatis dan pengolahan informasi yang efisien dalam pengembangan Deep Learning. CNN telah terbukti efektif dalam tugas klasifikasi gambar, dan MobileNetV2 dikenal karena ringan dan efisien dalam penggunaan sumber daya. Dengan menggunakan metode ini, penelitian ini bertujuan untuk mengklasifikasikan tingkat kematangan daun teh. Hasil training dari enam skenario model yang diuji menunjukkan bahwa tingkat akurasi tertinggi tercapai pada pengujian skenario model 2, yaitu sebesar 100%. Pada pengujian ini, hyperparameter yang optimal termasuk epoch sebanyak 50, input shape RGB Channel sebesar 224x224x3, batch size sejumlah 32, dan optimizer yang digunakan adalah Adam. Pentingnya akurasi terlihat dari hasil pengujian menggunakan data testing, di mana model berhasil mencapai akurasi sebesar 100%. Selain itu, nilai presisi, recall, dan f1-score juga mencapai 100%. Hal ini menunjukkan bahwa model yang dikembangkan mampu mengenali dan mengklasifikasikan daun teh siap panen dengan sangat baik