Text
Deteksi Status Waktu Panen Tanaman Kacang Tanah Menggunakan Citra Digital Dengan Algoritma Convolutional Neural Network
Penelitian ini bertujuan untuk mengembangkan aplikasi citra digital berbasis Android yang mampu mendeteksi status waktu panen tanaman kacang tanah guna membantu petani dalam mengidentifikasi kondisi tanaman secara cepat dan akurat. Sistem ini diharapkan dapat meningkatkan efisiensi proses budidaya serta mendukung pengambilan keputusan panen sehingga kualitas hasil panen kacang tanah dapat terjaga. Metode yang digunakan dalam penelitian ini melibatkan pemanfaatan algoritma Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Dataset yang digunakan terdiri dari 510 citra digital kacang tanah yang diklasifikasikan ke dalam tiga kategori status panen yaitu Belom Siap Panen, Siap Panen, dan Terlambat Panen. Data dibagi menjadi 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Hasil pengujian menunjukkan bahwa model CNN dengan arsitektur ResNet50 mampu mengklasifikasikan status panen kacang tanah dengan akurasi keseluruhan sebesar 90%, dengan nilai rata-rata precision sebesar 0.91, recall sebesar 0.89, dan F1-score sebesar 0.89. Nilai Area Under Curve (AUC) pada kurva ROC untuk
setiap kelas berada pada rentang 0.98 hingga 1.00, sedangkan hasil pengujian 5Fold Cross Validation menghasilkan rata-rata akurasi sekitar 43%. Hasil ini membuktikan bahwa metode CNN–ResNet50 efektif untuk deteksi status panen kacang tanah.
| S250314 | SRK-2025 RIN d | Perpustakaan Universitas Handayani Makassar | Tersedia |
Tidak tersedia versi lain