Klasifikasi Citra Permukaan Tanah Pertanian Menggunakan ANN dan CNN Berbasis Transfer Learning MobileNetV2 (Studi Kasus: Tanah Kering, Lembab, dan Basah)

Abstract

Kelembaban tanah merupakan parameter penting dalam pertanian karena memengaruhi pertumbuhan tanaman dan pengelolaan air, sementara metode pengukuran berbasis sensor masih terbatas dari sisi efisiensi dan biaya. Penelitian ini bertujuan mengklasifikasikan tingkat kelembaban tanah berbasis citra digital sebagai alternatif pemantauan yang lebih praktis. Data yang digunakan berjumlah 375 citra permukaan tanah dari Kaggle dan Roboflow yang dikelompokkan ke dalam tiga kelas, yaitu tanah kering, lembab, dan basah. Dataset diproses melalui tahap prapemrosesan, kemudian dibagi menjadi data pelatihan, validasi, dan pengujian. Metode yang diterapkan adalah Artificial Neural Network dan Convolutional Neural Network berbasis transfer learning menggunakan arsitektur MobileNetV2. Hasil evaluasi pada data pengujian menunjukkan bahwa model Artificial Neural Network memperoleh akurasi 56%, sedangkan model Convolutional Neural Network berbasis MobileNetV2 mencapai akurasi 85%. Hasil tersebut menunjukkan bahwa pendekatan transfer learning MobileNetV2 lebih efektif dalam mengklasifikasikan kelembaban tanah dan berpotensi dikembangkan sebagai sistem berbasis kamera smartphone untuk mendukung smart agriculture berbiaya rendah.