Perbandingan Performa CNN Inception-V3 dan ResNet50 Dalam Klasifkasi Kematangan Buah Tomat

Abstract

Buah tomat memiliki durasi mencapai kematangan yang singkat. Sehingga jika melewati durasi kematangannya, maka buah tomat akan seketika membusuk. Para petani buah tomat melakukan proses klasifikasi kematangan buah tomat secara manual. Proses klasifikasi secara manual dapat mengakibatkan hasil klasifikasi yang tidak konsisten, yang disebabkan karena proses tersebut sangat menguras tenaga manusia jika dilakukan dalam kuantitas yang banyak. Oleh karena itu, penulis merancang sistem klasifikasi tingkat kematangan buah tomat dengan algoritma Convolutional Neural Network (CNN). Metode yang digunakan dalam penelitian ini adalah model CNN dengan arsitektur Inception-V3 dan arsitektur ResNet50. Penulis juga melakukan perbandingan performa klasifikasi dari kedua arsitektur tersebut dan membandingkan arsitektur mana yang memiliki performa klasifikasi yang lebih baik. Berdasarkan hasil pengujian yang dilakukan, nilai akurasi terbaik diperoleh ketika menggunakan model CNN dengan arsitektur ResNet50 dengan tingkat akurasi sebesar 95%. Lalu, berdasarkan pengujian menggunakan data uji menunjukkan kedua model CNN tersebut dapat melakukan klasifikasi citra dengan optimal dan tanpa kesalahan.