Implementasi Grad-CAM pada EfficientNet untuk Deteksi Tingkat Kematangan Buah Sawit Berbasis Citra Digital

Abstract

Tujuan : Penelitian ini bertujuan untuk mengimplementasikan metode Explainable Deep Learning menggunakan EfficientNetB0 dan Grad-CAM dalam mendeteksi tingkat kematangan buah kelapa sawit berbasis citra digital. Dataset yang digunakan berasal dari Annotated Datasets of Oil Palm Fruit Bunch Piles for Ripeness Grading yang terdiri dari beberapa kelas kematangan buah sawit.

Metode/Design/Pendekatan: Tahapan penelitian meliputi preprocessing data, augmentasi citra, pembagian dataset, pelatihan model EfficientNetB0 berbasis transfer learning, evaluasi performa model, serta visualisasi interpretasi menggunakan Grad-CAM.

Hasil/Temuan: Hasil penelitian menunjukkan bahwa model EfficientNetB0 mampu menghasilkan performa klasifikasi yang sangat baik dengan nilai accuracy sebesar 95,21%, precision sebesar 94,87%, recall sebesar 94,53%, dan F1-score sebesar 94,69%. Implementasi Grad-CAM berhasil memberikan visualisasi heatmap yang menunjukkan area citra paling berpengaruh terhadap hasil klasifikasi, dengan fokus utama model berada pada warna buah sawit sebesar 48% dan tekstur buah sebesar 27%.

Kebaharuan/Originalitas/Nilai: Hasil penelitian membuktikan bahwa kombinasi EfficientNetB0 dan Grad-CAM mampu menghasilkan sistem klasifikasi kematangan buah sawit yang akurat, efisien, dan interpretable untuk mendukung penerapan Artificial Intelligence pada sektor perkebunan modern.