Perbandingan Kinerja Multilayer Perceptron Berbasis Fitur Ekstraksi dan DenseNet-121 pada Klasifikasi Buah Kakao

Abstract

Tanaman kakao (Theobroma cacao) merupakan komoditas penting bagi perekonomian Indonesia, namun produktivitasnya menurun akibat serangan penyakit dan hama seperti black pod rot, pod borer, dan helopeltis. Penelitian ini bertujuan membandingkan kinerja Multilayer Perceptron (MLP) dengan kombinasi fitur warna (HSV, L*a*b) dan tekstur (GLCM, LBP) terhadap DenseNet-121 untuk klasifikasi empat kondisi buah kakao yaitu healthy, black pod rot, pod borer dan helopeltis. Dataset primer 404 citra dikumpulkan dari perkebunan kakao di Sulawesi Barat. Tahapan penelitian meliputi preprocessing, segmentasi, ekstraksi fitur, dan klasifikasi menggunakan MLP dengan 15 kombinasi fitur serta DenseNet-121 dengan transfer learning. Kedua model menerapkan early stopping dan dievaluasi menggunakan akurasi dengan tiga random seed berbeda untuk memastikan validitas hasil yang robust. Hasil menunjukkan DenseNet-121 mencapai akurasi tertinggi 92,19% pada learning rate 0,001 dengan seed 43, sedangkan MLP terbaik pada kombinasi HSV+GLCM+L*a*b hanya 79,69% pada learning rate 0,001 dengan seed 99. Kombinasi fitur warna dan tekstur pada MLP konsisten mengungguli fitur tunggal. DenseNet-121 terbukti lebih unggul karena kemampuannya mengekstraksi fitur hierarkis otomatis melalui bobot pre-trained ImageNet, menjadikannya metode lebih efektif untuk klasifikasi penyakit kakao yang akurat.   Kata Kunci – DenseNet-121, Ekstraksi Fitur, Kakao, Klasifikasi Citra, Multilayer Perceptron