Penerapan Arsitektur TL-MobileNetV2 Untuk Klasifikasi Pisang Lokal Berbasis Mobile
Tahun 2026 · Penulis: Anggun Mellanie
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Penerapan Arsitektur TL-MobileNetV2 Untuk Klasifikasi Pisang Lokal Berbasis Mobile
Pisang adalah salah satu komoditas hortikultura dengan berbagai varietas dan beragam karakteristik morfologis. Akan tetapi, beberapa varietas pisang memiliki ciri visual yang serupa seperti tekstur bentuk, warna, dan kulit, sehingga identifikasi manual sulit diketahui, khususnya bagi orang-orang yang tidak memiliki pengetahuan khusus tentang varietas pisang. Kondisi ini dapat menyebabkan salah mengidentifikasi ketika mengandalkan semata-mata pada pengamatan visual. Oleh karena itu, sistem otomatis diperlukan untuk mendukung identifikasi pisang yang akurat dan efisien. Penelitian ini bertujuan untuk mengembangkan model klasifikasi gambar untuk pengakuan varietas pisang menggunakan Transfer belajar MobileNetV2 (TL-MobileNet2) arsitektur dan mengimplementasikan model dalam aplikasi mobile berbasis Android. Dataset yang digunakan dalam penelitian ini terdiri dari 400 patung pisang yang menggambarkan delapan jenis, yaitu agung, ambon, barlin, candi, caverndi, embug, mas, dan susu pisang. Dua arsitektur model dievaluasi, yaitu standar MobileNetV2 dan TL-MobileNetV2, dengan variasi optimasi (Adam dan SGD), laju belajar (0.001 dan 0,0001), dan tiga tipe dataset (tengahan, penangkaran objek, penuaian, dan tanpa panen). Penampilan model dievaluasi menggunakan matriks kebingungan dengan empat metrik evaluasi: akurasi, presisi, ingat, dan F1-Score. Hasil percobaan menunjukkan bahwa model kinerja terbaik diperoleh menggunakan arsitektur TL-MobileNetV2 dengan optimis Adam dan tingkat belajar 0.001 pada objek pemanenan dataset, mencapai skor sebesar 1. 000 untuk semua metrik evaluasi. Visualisasi heatmap Grad-CAM mengindikasikan bahwa model ini berfokus pada daerah objek pisang yang relevan selama proses klasifikasi. Model terbaik kemudian diubah menjadi format TesorFlow Lite (.tflit) dan digunakan dalam aplikasi seluler berbasis Android. Hasil implementasi menunjukkan bahwa model melakukan inferensi dengan cepat dan dapat diandalkan pada perangkat mobile. Temuan ini menunjukkan bahwa TL-MobileNetV2 efektif untuk identifikasi varietas pisang dan dapat secara praktis diterapkan sebagai sistem klasifikasi berbasis gambar pada platform mobile.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,857
Tahun 2025 · Penulis: Teguh Efendi
Pengembangan Aplikasi Android Untuk Deteksi Kondisi Buah Kakao Berbasis Deep Learning Dengan Algoritma Yolo V8
Kakao (Theobroma cacao) merupakan salah satu komoditas perkebunan penting yang memiliki nilai ekonomi tinggi, khususnya sebagai bahan baku utama dalam industri cokelat dunia. Indonesia menempati urutan ke-12 sebagai eksportir kakao global dengan kontribusi seb
- Cosine 0,828
Tahun 2026 · Penulis: Adellia Putri
Klasifikasi Penyakit Batang Buah Naga Merah Menggunakan Arsitektur Eca-Resnet-50 Berbasis Website
Buah naga merah adalah salah satu komoditas hortikultura dengan nilai ekonomi tinggi di Indonesia. Salah satu tantangan utama penanaman buah naga adalah infeksi penyakit batang, yang dapat mengurangi pertumbuhan tanaman dan produktivitas tanaman. Identifikasi
- Cosine 0,812
Tahun 2025 · Penulis: Silvi Maulani
Segmentasi dan Klasifikasi Jenis Buah Alpukat berdasarkan Citra Daun pada Latar Belakang Kompleks Menggunakan Arsitektur U-Net
Tanaman alpukat memiliki beragam jenis yang dibedakan berdasarkan bentuk dan tekstur daunnya. Namun, ketidaktahuan masyarakat dalam mengenali jenis alpukat sering dimanfaatkan oleh oknum penjual bibit yang tidak bertanggung jawab, sehingga menyebabkan pembelia