Publisher

HAMZANWADIHAMZANWADI

Journal Edumatic: Jurnal Pendidikan InformatikaEdumatic: Jurnal Pendidikan Informatika Abstract

Inspeksi visual manual untuk menilai kematangan pisang bersifat subjektif dan tidak mampu memenuhi skala kebutuhan industri, sementara studi sebelumnya menggunakan arsitektur CNN berat dan belum secara sistematis mengeksplorasi kedalaman penyetelan ulang. Studi ini mengusulkan kerangka kerja pembelajaran transfer dua tahap menggunakan EfficientNetB0 pada dataset yang telah dipre-augmentasi sebanyak 13.478 gambar di empat kelas kematangan: tidak matang, matang, terlalu matang, dan busuk. Ketidakseimbangan kelas diatasi melalui penimbangan kelas selama pelatihan. Pada Tahap 1 (Ekstraksi Fitur), semua lapisan dasar dibekukan, dan kepala klasifikasi dilatih hingga mencapai akurasi validasi terbaik sebesar 98,58%. Pada Tahap 2 (Penyetelan Ulang), kedalaman lapisan optimal yang tidak terkunci ditentukan melalui ablas sistematis di lima konfigurasi (5, 10, 15, 20, dan 25 lapisan), dengan konfigurasi 25 lapisan menghasilkan akurasi validasi tertinggi sebesar 98,75%. Evaluasi pada 562 gambar uji menghasilkan akurasi 99,46% dan kerugian uji 0,0538, dengan skor F1 1,00 untuk kelas terlalu matang dan matang, serta 0,99 untuk kelas busuk dan tidak matang. Kurva ROC mengonfirmasi kemampuan diskriminatif tinggi dengan AUC 1,000 untuk kelas terlalu matang dan matang, serta 0,999 dan 0,998 untuk kelas tidak matang dan busuk. Hasil ini menunjukkan bahwa kombinasi strategi dua tahap, ablas kedalaman, dan penyetelan ulang dengan penimbangan kelas menghasilkan sistem klasifikasi yang robust dengan potensi aplikasi dalam pengurutan pisang otomatis menggunakan perangkat edge.

Conclusion

Studi ini menunjukkan bahwa strategi pembelajaran transfer dua tahap menggunakan EfficientNet sangat efektif untuk klasifikasi kematangan pisang empat kelas sambil tetap efisien secara komputasi untuk aplikasi pertanian berbasis edge.Evaluasi sistematis kedalaman penyetelan ulang menunjukkan bahwa menonaktifkan lapisan teratas 25 memberikan keseimbangan terbaik antara mempertahankan representasi yang telah dilatih dan menyesuaikan fitur semantik spesifik domain, menghasilkan akurasi uji 99,46% dengan presisi, recall, dan skor F1 yang konsisten tinggi di seluruh kelas kematangan.Temuan menegaskan bahwa penyetelan ulang bertahap, dikombinasikan dengan mekanisme penimbangan kelas, memungkinkan model menangkap transisi visual halus antar tahap kematangan dan meningkatkan kinerja generalisasi di bawah kondisi ketidakseimbangan kelas.Di luar pencapaian akurasi klasifikasi yang tinggi, studi ini juga menekankan pentingnya optimasi kedalaman penyetelan ulang sebagai faktor kritis dalam efektivitas pembelajaran transfer untuk klasifikasi gambar pertanian.Selain itu, arsitektur ringan EfficientNetB0 memperkuat kemungkinan implementasi real-time di perangkat edge berbasis sumber daya rendah untuk sistem pengurutan pasca-panen otomatis.Namun, keterbatasan terkait data yang telah dipre-augmentasi dan kondisi pemotretan terkontrol masih ada, menunjukkan kebutuhan studi masa depan yang melibatkan dataset dunia nyata, kondisi lingkungan yang beragam, analisis keteranggapan, dan strategi validasi lintas domain untuk meningkatkan ketahanan dan generalisasi kerangka kerja yang diajukan.

Future Research

Studi lanjut dapat mengeksplorasi pengaruh teknik augmentasi berbeda terhadap ketidakseimbangan kelas untuk meningkatkan generalisasi model. Selain itu, perlu diteliti arsitektur CNN ringan lainnya untuk penggunaan pada perangkat edge dengan sumber daya terbatas. Terakhir, pengujian model di lingkungan pertanian nyata yang lebih kompleks, seperti dengan variasi pencahayaan dan latar belakang heterogen, dapat memberikan wawasan tentang keandalan sistem dalam skenario dunia nyata.

References

1. Klasifikasi Kematangan Pisang Menggunakan Metode Convolutional Neural Network | Komputika : Jurnal Sistem... ojs.unikom.ac.id/index.php/komputika/article/view/9999Klasifikasi Kematangan Pisang Menggunakan Metode Convolutional Neural Network Komputika Jurnal Sistem ojs unikom ac index php komputika article view 9999
2. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/s44196-023-00397-1Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 s44196 023 00397 1
3. Two-Stage Transfer Learning with EfficientNetB0 for Four-Class Banana Ripeness Classification | Edumatic:... doi.org/10.29408/edumatic.v10i2.34588Two Stage Transfer Learning with EfficientNetB0 for Four Class Banana Ripeness Classification Edumatic doi 10 29408 edumatic v10i2 34588

Metadata

File size	702.56 KB
Pages	10
DMCA	Report