<![CDATA[Tanaman tomat mengalami beberapa fase pertumbuhan yang menentukan kualitas dan hasil panen. Pengenalan fase-fase secara visual sangat penting untuk membantu petani mengambil keputusan budidaya yang tepat waktu. Penelitian ini membandingkan 2 (dua) metode deep learning yakni CNN konvensional dan MobileNetV2 berbasis Transfer Learning dalam klasifikasi dua tahap pertemuan tomat dari citra RGB. Sebelum menggunakan citra, citra dilakukan teknik masking sederhana berbasis threshold untuk menonjolkan objek utama tanaman dan meminimalkan background citra. Selanjutnya dilakukan augmentasi lanjutan guna menambah variasi data pelatihan. Data dibagi menjadi data latih dan data uji dengan rasio 80:20. Hasil pengujian menunjukkan bahwa model CNN menghasilkan akurasi 91,01 %, sedangkan MobileNetV2 memberikan akurasi lebih tinggi sebesar 93,26 %. Hasil ini menunjukkan bahwa pendekatan transfer learning mampu melakukan generalisasi pada dataset yang terbatas. Secara keseluruhan integrasi masking dan augmentasi terbukti efektif dalam meningkatkan akurasi dalam klasifikasi fase pertumbuhan tanaman tomat. Dalam hal ini berpotensi diterapkannya sistem monitoring tanaman berbasis citra untuk membantu pengembalian keputusan dalam pertanian digital.]]>
Copyrights © 2025
