KLASIFIKASI HAMA SERANGGA BERBASIS CNN DENGAN PENDEKATAN TRANSFER LEARNING MOBILENETV2

Alysia Naifah Aileen; Antonius Angga Kurniawan; Mutiara Romana Kusuma

doi:10.35760/ik.2025.v30i1.14302

KLASIFIKASI HAMA SERANGGA BERBASIS CNN DENGAN PENDEKATAN TRANSFER LEARNING MOBILENETV2

Alysia Naifah Aileen
Universitas Gunadarma
Indonesia

Antonius Angga Kurniawan
orcid

https://www.scopus.com/authid/detail.uri?authorId=58529265900
Universitas Gunadarma
Indonesia

Mutiara Romana Kusuma
Universitas Megarkencana
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2025.v30i1.14302

Article Submitted: 20 May 2025

Article Published: 30 June 2025

Abstract

Hama serangga merupakan salah satu ancaman utama bagi sektor pertanian, yang dapat menurunkan produktivitas dan menyebabkan kerugian ekonomi signifikan. Identifikasi manual jenis hama memerlukan keahlian khusus dan memakan waktu, sehingga dibutuhkan solusi otomatis berbasis teknologi. Penelitian ini mengembangkan sistem klasifikasi hama serangga menggunakan transfer learning dengan arsitektur MobileNetV2. Tahapan penelitian mencakup pra-pemrosesan data, pembagian dataset, augmentasi, pelatihan model, evaluasi, dan integrasi ke dalam aplikasi web. Dataset dibagi menjadi subset pelatihan, validasi, dan pengujian. Augmentasi data dilakukan melalui rescale, rotasi, pergeseran, sudut kemiringan, horizontal flip, dan zoom untuk meningkatkan variasi data. Dua model diuji: model pertama (40 epoch, augmentasi intensif) menerapkan transformasi data secara agresif—seperti rotasi besar dan zoom tinggi—sehingga menyebabkan overfitting (akurasi pelatihan 90,25%, validasi 68,29%). Sebaliknya, model kedua (50 epoch, augmentasi moderat) menggunakan transformasi yang lebih realistis dan terbatas, menghasilkan performa lebih stabil (akurasi pelatihan 94,88%, validasi 89,84%). Evaluasi menggunakan confusion matrix dan classification report menunjukkan model kedua lebih andal dalam mengklasifikasikan berbagai jenis hama. Model terbaik disimpan dalam format HDF5 dan digunakan dalam aplikasi web untuk klasifikasi otomatis berbasis gambar. Temuan ini menekankan pentingnya konfigurasi augmentasi dan jumlah epoch yang optimal dalam menghindari overfitting dan meningkatkan akurasi model klasifikasi citra.

Keywords

Convolutional Neural Network, Klasifikasi hama serangga, MobileNetV2, Transfer Learning

References

F. Fadli et al., “PenerapanTeknologi Persemaian Benih Pani Unggul BERNAS dalam Mendukung Ketahanan Pangan di Desa Paok Pampang,” Community Development Journal: Jurnal Pengabdian Masyarakat, vol. 4, Jun. 2025, doi: 10.31004/cdj.v4i2.14596.

R. Adriyani, “Usaha Pengendalian Pencemaran Lingkungan Akibat Penggunaan Pestisida Pertanian,” Jurnal Kesehatan Lingkunagn, vol. 3, Jul. 2006.

J. Setiawan, R. Prasetyo, I. Faizal, R. H. Syahid, and P. Rosyani, “Pengembangan Sistem Deteksi Hama pada Tanaman Sayur Menggunakan Algoritma Haar Cascade dan Python,” Buletin Ilmiah Ilmu Komputer dan Multimedia (BIIKMA).

A. Akram, K. Fayakun, and H. Ramza, “Klasifikasi Hama Serangga pada Pertanian Menggunakan Metode Convolutional Neural Network,” Building of Informatics, Technology and Science (BITS), vol. 5, Sep. 2023, doi: 10.47065/bits.v5i2.4063.

M. Rafif, D. U. Kusumaning Putri, and L. Awaludin, “Penggunaan Pre-trained Model untuk Klasifikasi Kualitas Sekrup,” IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), vol. 12, no. 2, p. 133, Oct. 2022, doi: 10.22146/ijeis.78112.

Dimas Saputra, Archamul Fajar Pratama, Muhammad Dawam Fakhri, Muhammad Ahsanur Rafi, and Fetty Tri Anggraeny, “Klasifikasi Hama Serangga pada Pertanian Menggunakan Arsitektur Inception-ResNeT-V2,” Antivirus : Jurnal Ilmiah Teknik Informatika, vol. 19, no. 1, pp. 41–51, May 2025, doi: 10.35457/antivirus.v19i1.4107.

N. wangsa Kencana, R. Umar, and Murinto, “Implementasi Transfer Learning Untuk Klasifikasi Jenis Ras Ayam Menggunakan Arsitektur MobileNetV2,” Jurnal Informatika Polinema, vol. 11, pp. 147–154, Feb. 2025, doi: 10.33795/jip.v11i2.6469.

O. V. Putra, M. Z. Mustaqim, and D. Muriatmoko, “Transfer Learning untuk Klasifikasi Penyakit dan Hama Padi Menggunakan MobileNetV2,” Techno.Com, vol. 22, pp. 562–575, Aug. 2023, doi: 10.33633/tc.v22i3.8516.

M. I. Prasetya, I. Z. Yadi, Y. N. Kunang, and S. D. Permatasari, “Prapemrosesan untuk Klasifikasi Gambar Aksara OKU Timur,” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 7, pp. 208–215, Feb. 2025, doi: 10.47233/jteksis.v7i1.1629.

F. Zaelani and Y. Miftahuddin, “Perbandingan Metode EfficientNetB3 dan MobileNetV2 Untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun,” Jurnal Ilmiah Teknologi Infomasi Terapan, vol. 9, Dec. 2022, doi: 10.33197/jitter.vol9.iss1.2022.911.

Y. Y. Pane and J. J. Sihombing, “Klasifikasi Jenis Burung menggunakan Metode Transfer Learning,” Jurnal Teknologi Terpadu, vol. 9, pp. 89–94, Dec. 2023, doi: 10.54914/jtt.v9i2.744.

I. Guntoro, D. M. Midyanti, and R. Hidayati, “Penerapan Dopout pada Jaringan Saraf Tiruan Backpropagation dalam Mengklasifikasi Tingkat Fine Fuel Moisture Code (FFMC) untuk Kebakaran Hutan dan Lahan,” Coding Jurnal Komputer dan Aplikasi, vol. 10, p. 114, May 2022, doi: 10.26418/coding.v10i01.52734.

S. Mehra, G. Raut, R. Das Purkayastha, S. K. Vishvakarma, and A. Biasizzo, “An Empirical Evaluation of Enhanced Performance Softmax Function in Deep Learning,” IEEE Access, vol. 11, pp. 34912–34924, 2023, doi: 10.1109/ACCESS.2023.3265327.

P. Romadloni, B. Adhi Kusuma, and W. Maulana Baihaqi, “Komparasi Metode Pembelajaran Mesin untuk Implementasi Pengambilan Keputusan dalam Menentukan Promosi Jabatan Karyawan,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 6, pp. 622–628, Sep. 2022, doi: 10.36040/jati.v6i2.5238.

A. N. Aida, P. Arsi, R. P. Aji, and T. Tarwoto, “Analisis Sentimen Pengguna Aplikasi Instagram Pada Situs Google Play Menggunakan Metode Naïve Bayes,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 8, no. 2, p. 704, Apr. 2024, doi: 10.30865/mib.v8i2.7388.

S. S. Salim and J. Mayary, “Analisis Sentimen Pengguna Twitter Terhadap Dompet Elektronik dengan Metode Lexicon Based dan K – Nearest Neighbor,” Jurnal Ilmiah Informatika Komputer, vol. 25, pp. 1–17, 2020, doi: 10.35760/ik.2020.v25i1.2411.

R. R. Sani, Y. A. Pratiwi, S. Winarno, E. D. Udayanti, and F. Alzami, “Analisis Perbandingan Algoritma Naive Bayes Classifier dan Support Vector Machine untuk Klasifikasi Berita Hoax pada Berita Online Indonesia,” Jurnal Masyarakat Informatika, vol. 13, pp. 85–98, Nov. 2022, doi: 10.14710/jmasif.13.2.47983.

A. Mumuni and F. Mumuni, “Data augmentation: A comprehensive survey of modern approaches,” Array, vol. 16, p. 100258, Dec. 2022, doi: 10.1016/j.array.2022.100258.

B. M. Hussein and S. M. Shareef, “An Empirical Study on the Correlation between Early Stopping Patience and Epochs in Deep Learning,” ITM Web of Conferences, vol. 64, p. 01003, Jul. 2024, doi: 10.1051/itmconf/20246401003.

S. D. Pratama, L. Lasimin, and M. N. Dadaprawira, “Pengujian Black Box Testing Pada Aplikasi Edu Digital Berbasis Website Menggunakan Metode Equivalence Dan Boundary Value,” J-SISKO TECH (Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD), vol. 6, p. 560, Jul. 2023, doi: 10.53513/jsk.v6i2.8166.