Perbandingan EfficientNet B0 dan DenseNet121 untuk Klasifikasi Jenis Mangga Berdasarkan Citra Daun

Siti Khairunnisa Ratu Rahmah; Muhammad Ali Nur Hidayat; Jamaludin Hakim; Mursalim Tonggiroh; Damar Surya Sasono; Stefanus Ndala

doi:10.31004/riggs.v5i2.13366

Authors

Siti Khairunnisa Ratu Rahmah Universitas Yapis Papua
Muhammad Ali Nur Hidayat Universitas Yapis Papua
Jamaludin Hakim Universitas Yapis Papua
Mursalim Tonggiroh Universitas Yapis Papua
Damar Surya Sasono Universitas Yapis Papua
Stefanus Ndala Universitas Yapis Papua

DOI:

https://doi.org/10.31004/riggs.v5i2.13366

Keywords:

Klasifikasi, Daun mangga, CNN, EfficientNet B0, DenseNet121

Abstract

Identifikasi jenis mangga secara konvensional umumnya dilakukan melalui pengamatan visual terhadap karakteristik fisik daun, seperti bentuk, ukuran, dan tekstur. Namun, metode tersebut cenderung bersifat subjektif, membutuhkan waktu yang relatif lama, serta memerlukan keahlian khusus. Perkembangan teknologi di bidang computer vision dan deep learning memungkinkan proses identifikasi tanaman dilakukan secara otomatis melalui klasifikasi citra. Penelitian ini bertujuan untuk membandingkan performa dua arsitektur Convolutional Neural Network (CNN), yaitu DenseNet121 dan EfficientNet B0, dalam mengklasifikasikan jenis mangga berdasarkan citra daun. Dataset yang digunakan terdiri dari empat jenis mangga, yaitu Arumanis, Golek, Indramayu, dan Kweni, yang diperoleh melalui pengambilan gambar secara langsung. Untuk meningkatkan variasi data, dilakukan proses augmentasi berupa rotasi, flipping, zooming, dan pengaturan pencahayaan. Tahapan penelitian meliputi preprocessing citra, augmentasi data, pelatihan model, serta evaluasi menggunakan metrik akurasi, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa model DenseNet121 memperoleh performa terbaik dengan tingkat akurasi sebesar 93%, sedangkan EfficientNet B0 memperoleh akurasi sebesar 31%. Dengan demikian, dapat disimpulkan bahwa DenseNet121 lebih efektif digunakan dalam klasifikasi jenis mangga berdasarkan citra daun dibandingkan EfficientNet B0.

Downloads

Download data is not yet available.

References

1. Binus University. (2023, Juli 18). Pengolahan citra digital: Konsep dan teknik. BINUS University Malang. https://binus.ac.id/malang/2023/07/pengolahan-citra-digital-konsep-dan-teknik/

2. Binus University. (2026, Januari 27). Convolutional neural network (CNN) dalam pengenalan gambar dan video serta penerapannya. School of Information Systems BINUS University. https://sis.binus.ac.id/2026/01/27/convolutional-neural-network-cnn-dalam-pengenalan-gambar-dan-video-serta-penerapannya/

3. Emergent Mind. (n.d.). DenseNet-121 convolutional neural networks (CNNs). Emergent Mind AI Learning Center.

4. Hidayat, R. (2022). Klasifikasi daun tanaman menggunakan Convolutional Neural Network. Jurnal Ilmiah Upgris (JIU), 8(2), 45–52. https://doi.org/10.26877/jiu.v8i2.12356

5. Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4700–4708. https://doi.org/10.1109/CVPR.2017.243

6. Munir, R. (2004). Pengenalan pola (Bab 15). In Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika Bandung.

7. Ramesh, R., Kumar, J. A., & Shastry, K. A. (2018). Plant leaf classification using texture and morphological features. Techne: Jurnal Ilmiah Teknologi Informasi, 16(2), 112–121. https://doi.org/10.30813/techne.v16i2.1189

8. Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. International Conference on Machine Learning (ICML), 6105–6114. https://doi.org/10.48550/arXiv.1905.11946.

9. Ultralytics. (n.d.). What is EfficientNet? A quick overview. Ultralytics Docs. https://docs.ultralytics.com/

10. Wardhani, N. A. K., & Dewi, N. K. (2024, Desember 16). Pohon mangga (Mangifera indica). Wisdom Park UGM. https://wisdompark.ugm.ac.id/

11. Oktaviani, F. (2024). PERANCANGAN GUIDEBOOK PEMILIHAN WARNA PAKAIAN BERDASARKAN SKIN TONE MENGGUNAKAN SEASONAL COLOR THEORY. In Jurnal Barik (Vol. 5, Number 2). https://ejournal.unesa.ac.id/index.php/JDKV/

12. Ritonga, A. S., & Muhandhis, I. (2024). Analisis dan Implementasi Metode Viola-Jones dan CNN pada Sistem Deteksi Kantuk Real-Time. Jurnal Ilmiah IT CIDA : Diseminasi Teknologi Informasi, 10(2).

13. Wu, Z., Shen, C., & Hengel, A. (2016). Wider or Deeper: Revisiting the ResNet Model for Visual Recognition. Pattern Recognition, 90. https://doi.org/10.1016/j.patcog.2019.01.006

14. M. A. N. Hidayat, “Convolutional Neural Network Pada Identifikasi Varian Tanaman Anggur Menggunakan Resnet-50,” vol. 10, no. 3, 2023.

15. T. Berliani, E. Rahardja, dan L. Septiana, “Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16,” J. Med. Health, vol. 5, no. 2, hlm. 123–135, Agu 2023, doi: 10.28932/jmh.v5i2.6116.