Perbandingan Kinerja Arsitektur LeNet-5 dan AlexNet dalam Klasifikasi Daun Teh Siap Panen Menggunakan Convolutional Neural Network

Abstract

Industri teh memiliki peran penting dalam sektor agribisnis Indonesia, dengan kualitas teh yang sangat dipengaruhi oleh pemilihan daun yang tepat dan waktu pemetikan yang sesuai. Klasifikasi daun teh masih dilakukan secara manual, yang mengandalkan pengalaman petani dan dapat dipengaruhi oleh faktor eksternal seperti kelelahan. Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN), yaitu LeNet-5 dan AlexNet, dalam mengklasifikasikan daun teh siap panen dan belum siap panen berdasarkan metrik akurasi, presisi, recall, F1-score, loss, serta efisiensi komputasi.Dataset yang digunakan dalam penelitian ini terdiri dari 4.198 gambar daun teh yang telah dilabeli. Model LeNet-5 dan AlexNet dilatih dan diuji menggunakan dataset ini, dan hasil evaluasi menunjukkan perbedaan performa yang signifikan antara keduanya. Model AlexNet menghasilkan akurasi 83,33%, dengan precision 0,86, recall 0,90, dan F1-score 0,88 untuk kelas "Belum Siap Panen", serta precision 0,76, recall 0,69, dan F1-score 0,72 untuk kelas "Siap Panen". Sementara itu, model LeNet-5 mencapai akurasi 71,67%, dengan precision 0,75, recall 0,88, dan F1-score 0,81 untuk kelas "Belum Siap Panen", namun hanya memperoleh precision 0,59, recall 0,36, dan F1-score 0,45 untuk kelas "Siap Panen". Meski LeNet-5 lebih efisien dalam hal waktu pemrosesan, AlexNet lebih unggul dalam akurasi dan kemampuan menangkap pola yang lebih kompleks pada data daun teh. Kedua model menunjukkan gejala overfitting, tetapi secara keseluruhan AlexNet lebih efektif untuk klasifikasi daun teh siap panen. Penelitian ini menyimpulkan bahwa AlexNet lebih optimal dalam mengklasifikasikan daun teh dengan akurasi dan kinerja yang lebih baik dibandingkan dengan LeNet-5, meskipun membutuhkan sumber daya komputasi yang lebih besar.