ANALISIS HYPERPARAMETER PADA KLASIFIKASI JENIS TANAMAN MENGGUNAKAN ALGORITMA RESNET50 DAN MOBILENETV2

Abstract

Pertanian merupakan sektor penting dalam pembangunan ekonomi. Penerapan teknologi, khususnya machine learning, diperlukan untuk mengelola data pertanian. Penelitian ini bertujuan mengembangkan model klasifikasi citra empat jenis tanaman utama di Indonesia, yaitu padi, jagung, singkong, dan tebu, dengan memanfaatkan dua arsitektur deep learning yakni ResNet50 dan MobileNetV2. Dataset citra tanaman dibagi menjadi data latih dan uji, kemudian diproses dengan variasi hyperparameter meliputi ukuran citra (image size) dan jumlah epoch. Evaluasi dilakukan untuk mengetahui pengaruh pengaturan hyperparameter terhadap akurasi model. Hasil menunjukkan bahwa pemilihan hyperparameter yang tepat berpengaruh signifikan terhadap performa. ResNet50 mencapai akurasi tertinggi 63,83% pada image size 75×75 piksel dengan 150 epoch, sedangkan MobileNetV2 memperoleh akurasi hingga 87,23% pada image size 448×448 piksel dengan 50 dan 100 epoch. Temuan ini membuktikan bahwa optimasi hyperparameter dapat meningkatkan kinerja model secara substansial. Penelitian ini memberikan kontribusi pada pengembangan sistem klasifikasi tanaman berbasis deep learning yang efisien dan akurat, serta berpotensi diimplementasikan pada perangkat mobile untuk mendukung pertanian presisi.