PENINGKATAN AKURASI KLASIFIKASI KEMATANGAN KELAPA SAWIT BERBASIS CITRA DENGAN ENSEMBLE DEEP LEARNING TEROPTIMASI DIMENSI RASIO

Abstract

Penentuan tingkat kematangan buah kelapa sawit secara manual sering menimbulkan subjektivitas dan menurunkan efisiensi. Penelitian ini mengembangkan metode klasifikasi berbasis citra menggunakan ensemble averaging pada tiga arsitektur MobileNetV2 dengan ukuran input berbeda (224×224, 224×300, dan 300×300) untuk mengurangi varians prediksi akibat variasi dimensi dan rasio aspek citra. Dataset yang digunakan berasal dari Kaggle berjumlah 1.380 citra, dengan pembagian 80% data latih dan 20% data validasi. Proses pengolahan mencakup rescaling, aspect-ratio-aware resizing, augmentasi, serta pelatihan menggunakan transfer learning dengan optimizer Adam dan early stopping. Hasil menunjukkan bahwa model berukuran 300×300 memberikan performa terbaik dengan akurasi 95,22% dan F1-score 0,9523. Ensemble averaging menghasilkan akurasi 94,71% dan F1-score 0,9475, yang meskipun sedikit lebih rendah dari model terbaik, memberikan stabilitas prediksi yang lebih baik dibanding model individual. Temuan ini menunjukkan bahwa resolusi input yang lebih tinggi meningkatkan kualitas ekstraksi fitur, sementara ensemble averaging tetap efektif dalam mereduksi varians dan meningkatkan ketahanan sistem klasifikasi di kondisi lapangan.