Klasifikasi Citra Kualitas Daun Tembakau Menggunakan Transfer Learning MobileNet

Tembakau merupakan tanaman yang daunnya dapat dimanfaatkan sebagai bahan baku rokok, bahan obat-obatan, bahan perawatan, bahan pestisida, pupuk, dan pewarna. Pada pembudidayaan tembakau, setelah proses panen, terdapat proses sortir kualitas yang dilakukan oleh tenaga manusia. Penyortiran dengan tenaga manusia tentunya rawan kesalahan. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk membuat model klasifikasi citra kualitas tembakau yang dapat memberikan alternatif pada proses penyortiran. Tahapan penelitian meliputi data collecting, pengembangan model, dan evaluasi hasil. Model klasifikasi citra dibuat dengan mengimplementasikan metode Convolutional Neural Network (CNN) dan arsitektur MobileNet. Metode CNN dipilih karena mampu mengekstraksi fitur-fitur citra dengan baik yang berdampak pada hasil klasifikasi yang tepat. Arsitektur MobileNet dipilih karena dapat bekerja pada sistem dengan sumber daya yang rendah. Data yang digunakan berjumlah 600 yang terbagi menjadi 3 kelas yaitu K1, K2, dan K3. Untuk mengatasi masalah jumlah data yang relatif kecil, diterapkan teknik transfer learning dimana model telah dilatih dengan data dari ImageNet. Skenario pengujian dibagi menjadi 4 berdasarkan penggunaan augmentasi dan transfer learning. Proses training menggunakan nilai batch size 16 dan 32, nilai epoch 20 dan 50, serta nilai learning rate awal 0,0001. Dari hasil uji coba, diperoleh model terbaik dengan nilai accuracy, precision, recall, dan f1-score 100% terhadap data testing. Diketahui faktor-faktor yang mempengaruhi tingkat keberhasilan model pada penelitian ini antara lain jumlah data training, nilai hyperparameter, penggunaan augmentasi, penggunaan transfer learning, dan kesesuaian data testing.