Adaptasi spesifik efficientnetb0 dengan lapisan kustom untuk identifikasi buah tropis
Article Sidebar
Main Article Content
Abstract
Identifikasi buah tropis berbasis citra digital menghadapi tantangan multidimensi akibat keragaman morfologi intra-kelas (seperti variasi tingkat kematangan pada pisang) dan kesamaan visual antar-kelas (misalnya kemiripan geometris antara mangga dan nanas), diperparah oleh kondisi lingkungan lapangan yang tidak terkontrol seperti pencahayaan dinamis dan latar belakang kompleks. Untuk mengatasi masalah ini, penelitian ini mengusulkan strategi adaptasi spesifik domain pada arsitektur EfficientNetB0 melalui integrasi blok lapisan kustom yang terdiri dari Dense Layer 256-neuron dengan aktivasi swish, normalisasi lapisan (Layer Normalization), dan Spatial Dropout 0.3, serta mekanisme kalibrasi bertahap (gradual unfreezing) yang membuka lapisan konvolusional secara progresif. Dataset sebanyak 5.200 citra buah tropis Indonesia (pisang, mangga, nanas, durian, rambutan) diperkuat dengan teknik augmentasi dinamis berbasis domain knowledge, termasuk color jitter terarah dan random erasing untuk meniru variasi kondisi riil. Hasil eksperimen menunjukkan pencapaian akurasi validasi 88.7% dan F1-score rata-rata 0.87, yang mengungguli kinerja MobileNetV2 sebesar 6.4% dalam uji komparatif. Implementasi operasional dalam sistem FruitScan-ID membuktikan efektivitas metode ini dengan mengurangi kesalahan identifikasi manual hingga 40%, menawarkan solusi komputasi tepi (edge-computing) yang hemat sumber daya untuk otomasi industri pertanian tropis.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
A. Wicaksono et al., "Automated Fruit Quality Inspection in Indonesia," J. Agric. Eng., vol. 12, no. 3, pp. 45–58, 2023.
Penelitian dasar untuk konteks otomasi pertanian Indonesia.
M. Tan dan Q. V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks," dalam Proc. 36th Int. Conf. Mach. Learn., 2019, pp. 6105–6114.
Dasar arsitektur model utama.
S. Wibowo et al., "Computer Vision for Tropical Agriculture," IEEE Trans. Agri-Informatics, vol. 5, no. 2, pp. 112–125, 2023.
Studi spesifik tantangan buah tropis.
T. Sutrisno dan D. A. Iswanto, "Hybrid Augmentation Strategy for Robust Fruit Classification," Comput. Electron. Agric., vol. 208, 2023, Art. no. 107782.
Strategi augmentasi domain-spesifik.
R. Utami et al., "Gradual Unfreezing for Domain-Specific Transfer Learning," J. Mach. Learn. Res., vol. 24, no. 128, pp. 1–32, 2023.
Landasan teori kalibrasi bertahap.
A. R. Wijaya, "Edge-Computing Optimization for Fruit Grading Systems," IEEE Embedded Syst. Lett., vol. 15, no. 2, pp. 65–68, 2023.
Optimisasi implementasi edge computing.
Kementan RI, Statistik Hortikultura 2023. Jakarta: Pusat Data Pertanian, 2023.
Data resmi konteks pertanian Indonesia.
Buah Tropis Indonesia Dataset, versi 1.1. Zenodo, 2023. [Daring]. Tersedia: https://doi.org/10.5281/zenodo.7890123
Dataset utama penelitian.
B. Sutrisno, "Domain Adaptation Techniques for Agricultural AI," J. Agri. Tech., vol. 12, no. 3, pp. 89–104, 2024.
Metodologi adaptasi domain.
L. Chen et al., "Attention Mechanisms for Fine-Grained Visual Classification," Pattern Recognit., vol. 115, 2024, Art. no. 107901.
Rekomendasi implementasi attention module.
P. Sharma et al., "Hyperspectral Imaging for Fruit Maturity Assessment," Biosyst. Eng., vol. 212, pp. 203–215, 2024.
Dasar ekspansi data hyperspectral.
D. Liu dan W. Deng, "Vision Transformers in Agricultural Robotics," Robotics Auton. Syst., vol. 163, 2024, Art. no. 104385.
Studi komparatif Vision Transformer.
TensorFlow Documentation, Custom Layers and Models. Google, 2024. [Daring]. Tersedia: https://www.tensorflow.org/guide/keras/custom_layers_and_models
Implementasi teknis lapisan kustom.
A. Krizhevsky et al., "ImageNet Classification with Deep CNNs," Commun. ACM, vol. 60, no. 6, pp. 84–90, 2017.
Landasan transfer learning.
F. Chollet, Deep Learning with Python, 2nd ed. Shelter Island, NY: Manning Publications, 2021.
Buku acuan arsitektur dasar.