Klasifikasi Kekurangan Nutrisi Daun Kopi Dengan Penggabungan Fitur Googlenet- Resnet

Abstract

Jutaan petani Indonesia menggantungkan hidupnya pada tanaman kopi, menjadikannya sebagai salah satu komoditas paling berharga di Indonesia. Namun, kekurangan nutrisi pada daun tanaman dapat mengakibatkan penurunan hasil dan kualitas kopi. Sangat penting untuk mengidentifikasi kelemahan ini sejak dini untuk menjaga kesehatan tanaman dan menghindari kerugian produksi. Sayangnya, teknik identifikasi manual masih membutuhkan pengetahuan khusus, bersifat subjektif, dan memakan banyak waktu. Oleh karena itu, dibutuhkan sistem berbasis teknologi otomatis yang dapat dengan cepat dan tepat mengidentifikasi berbagai jenis kekurangan nutrisi. Tujuan dari penelitian ini adalah untuk menggunakan deep learning untuk membuat model klasifikasi otonom yang dapat mengidentifikasi kekurangan nutrisi pada daun kopi. Untuk meningkatkan representasi visual dari foto daun kopi, model yang disarankan menggabungkan karakteristik dari dua arsitektur Convolutional Neural Network (CNN) yang populer yaitu GoogleNet dan ResNet. 1.006 foto daun kopi Arabika dalam sepuluh situasi nutrisi yang berbeda membentuk kumpulan data CoLeaf. Penggunaan pipeline persiapan menyeluruh terdiri dari segmentasi objek daun dari latar belakang, pengurangan noise (denoising), penskalaan gambar, dan augmentasi data untuk meningkatkan varians data. Pendekatan penggabungan fitur digunakan untuk menggabungkan fitur yang diambil dari ResNet dan GoogLeNet. Sejumlah metode, termasuk model pembelajaran mendalam, Multi-Layer Perceptron (MLP), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Random Forest, Decision Tree, dan teknik pembelajaran ensemble, kemudian digunakan untuk mengklasifikasikan data gabungan ini. Berdasarkan data percobaan, model deep learning berbasis CNN mengungguli teknik machine learning konvensional dan memperoleh akurasi terbesar yaitu 89.51%. Uji coba juga menunjukkan bahwa parameter model dan ukuran gambar memiliki dampak besar pada waktu pelatihan dan akurasi klasifikasi. Model fitur gabungan meningkatkan kinerja klasifikasi dengan menangkap lebih banyak informasi visual. Kesimpulannya, metode penggabungan fitur GoogLeNet dan ResNet untuk mengkategorikan kekurangan nutrisi daun kopi bekerja dengan baik dan menunjukkan hasil yang menjanjikan. Pengembangan teknologi pertanian presisi, yang dapat membantu petani membuat keputusan pemupukan yang lebih tepat dan efektif, sangat terbantu oleh penelitian ini. Di masa depan, model ini dapat digunakan dalam sistem pemantauan tanaman secara otomatis dan berkelanjutan