<![CDATA[Klasifikasi kacang Pistachio varietas Kirmizi dan Siirt secara manual rentan terhadap kesalahan akibat kemiripan morfologi antar varietas, sementara penelitian sebelumnya menggunakan ResNet50 mengalami overfitting parah dengan gap accuracy 78% dan belum menangani ketidakseimbangan data secara eksplisit. Penelitian ini bertujuan mengimplementasikan ResNet101 dengan augmentasi data dan class weighting untuk meningkatkan akurasi klasifikasi sekaligus mengatasi overfitting dan imbalanced data. Metode yang digunakan adalah kerangka CRISP-DM dengan 2148 citra (rasio 80:10:10) dan empat skenario eksperimen kombinasi data augmentasi dan class weighting berbasis Transfer Learning ResNet101. Hasil menunjukkan ResNet101 dengan class weighting tanpa augmentasi mencapai accuracy, precision, recall, dan F1-score sebesar 98,31%, melampaui Inception-V3 (96%) sebesar 2,31 poin dan ResNet50 (86%) sebesar 12,31 poin, dengan class weighting lebih bermanfaat saat dikombinasikan augmentasi dibanding kondisi data bersih. Augmentasi justru menurunkan akurasi karena latar belakang citra yang homogen, menunjukkan efektivitasnya bergantung pada karakteristik dataset dan bukan berlaku universal. Disimpulkan bahwa ResNet101 dengan class weighting tanpa augmentasi merupakan konfigurasi optimal untuk dataset Pistachio berkarakteristik visual homogen, dan penelitian lanjutan disarankan mengeksplorasi arsitektur modern dengan dataset lebih bervariasi.]]>
Copyrights © 2026
