PERBANDINGAN PERFORMA MODEL CNN PADA KLASIFIKASI BIJI KOPI DENGAN CITRA BERBASIS CONDITIONAL LIGHTWEIGHT GAN

Acep Taufik Hidayat (Universitas Pendidikan Ganesha)
I Made Gede Sunarya (Universitas Pendidikan Ganesha)
I Putu Gd Sukenada Andisana (STMIK Bandung Bali)
Ni Nyoman Emang Smrti (Teknik Informatika, STMIK Bandung Bali)
Anak Agung Gde Wahyu Sukma Erlangga (Teknik Informatika, STMIK Bandung Bali)

Jurnal Pendidikan Teknologi dan Kejuruan
Vol. 23 No. 1 (2026): Edisi Januari 2026

Penelitian ini mengeksplorasi dampak augmentasi citra Conditional Lightweight GAN (c-LGAN) terhadap performa CNN (ResNet50, EfficientNetB0, VGG16, MobileNetV2) dalam klasifikasi biji kopi. Model dievaluasi pada tiga skenario pelatihan: (1) data asli saja (960 citra/kelas), (2) pencampuran langsung (960 asli + 300 sintetis/kelas), dan (3) data sintetis saja. Hasil menunjukkan model berkinerja sangat tinggi (akurasi 0.95-0.99) saat dilatih pada domain tunggal (asli saja atau sintetis saja). Namun, temuan utama riset ini adalah kegagalan integrasi lintas-domain pada skenario gabungan. Akurasi anjlok drastis, terparah pada MobileNetV2 dari 0.99 menjadi 0.26 (setara probabilitas tebakan acak). Penurunan ekstrem ini mengonfirmasi bahwa pencampuran langsung (naïve direct mixing) memicu domain shift dan Batch Normalization mismatch. Kesimpulannya, meski c-LGAN efektif sebagai sumber data mandiri, pencampuran langsung untuk augmentasi justru destruktif tanpa strategi adaptasi domain yang tepat untuk menyelaraskan distribusi fitur.