Integrasi Transfer Learning pada Inception v3 untuk Identifikasi Otomatis Jenis Buah Tropis

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem identifikasi otomatis jenis buah tropis berbasis citra digital menggunakan model Inception v3 dengan pendekatan transfer learning. Dataset terdiri dari 12 jenis buah tropis dengan total 18.600 citra yang telah melalui proses augmentasi. Model dilatih menggunakan optimizer Adam dengan teknik fine-tuning terbatas untuk meningkatkan kemampuan generalisasi. Hasil pengujian menunjukkan bahwa model Inception v3 mampu mencapai akurasi sebesar 98,9% dan F1-score sebesar 99,1%, yang mengungguli model CNN konvensional dan ResNet50. Kinerja tinggi ini didukung oleh kombinasi strategi augmentasi data, dropout layer, dan optimasi parameter yang efektif dalam mencegah overfitting. Berdasarkan hasil tersebut, model Inception v3 terbukti mampu mengenali berbagai jenis buah tropis dengan presisi tinggi dan berpotensi diimplementasikan dalam sistem klasifikasi otomatis di sektor pertanian berbasis visi komputer.