SEGMENTASI SEMANTIK PADA CITRA TONGKOL JAGUNG MENGGUNAKAN DEEPLABV3+

Segmentasi semantik citra pada tongkol jagung telah digunakan untuk analisis kualitas hasil panen dan pengembangan sistem pertanian cerdas. Variasi warna, pencahayaan, dan bentuk tongkol yang tidak seragam masih menjadi tantangan utama pada citra lapangan. Pada penelitian ini, metode DeepLabV3+ yang mampu mengenali objek dengan berbagai ukuran menggunakan Atrous Spatial Pyramid Pooling (ASPP) telah diterapkan dengan tiga varian backbone ResNet, yaitu ResNet-18, ResNet-34, dan ResNet-50. Sebanyak 304 citra telah dibagi menjadi 213 citra pelatihan (70%), 46 citra validasi (15%), dan 45 citra pengujian (15%). Pada data pelatihan, 4 variasi augmentasi telah diterapkan sehingga jumlah data pelatihan menjadi 1.065 citra dan total keseluruhan menjadi 1.156 citra. Dua konfigurasi dilation rate pada ASPP, yaitu (6, 12, 18) dan (2, 4, 8), telah diuji selama 30 epoch. Kinerja model telah diukur menggunakan metrik mIoU (mean Intersection over Union). Hasil pengujian menunjukkan bahwa Skenario 5 (ResNet-50 dengan dilation rate 6, 12, 18) memperoleh mIoU tertinggi sebesar 0,8691, sedangkan Skenario 1 (ResNet-18 dengan dilation rate 6, 12, 18) memperoleh mIoU terendah sebesar 0,8578. Selisih antara nilai tertinggi dan terendah adalah 0,0113. Berdasarkan angka tersebut, model segmentasi yang dihasilkan telah ditunjukkan dengan kinerja terukur dan dapat digunakan sebagai dasar pengembangan visi komputer di bidang pertanian.