KLASIFIKASI BUNGA FINE-GRAINED MENGGUNAKAN EFFICIENTNET-B0 DENGAN STRATEGI AUGMENTASI DATA SINTETIS BERBASIS DIFFUSION MODELS

Abstract

Perkembangan teknologi visi komputer memberikan peluang besar dalam pengembangan sistem identifikasi otomatis pada objek dengan kemiripan visual tinggi, termasuk bunga. Tantangan utama pada klasifikasi citra bunga terletak pada karakteristiknya yang bersifat fine-grained, di mana perbedaan antarkelas sangat tipis namun variasi intrakelas justru cukup besar. Penelitian ini bertujuan mengembangkan model klasifikasi bunga menggunakan arsitektur EfficientNet-B0 yang dikenal efisien dan memiliki kemampuan ekstraksi fitur yang kuat pada skala dataset menengah. Dataset 5 Flower Types digunakan sebagai data utama, yang terdiri dari lima kelas bunga dengan kesamaan struktur morfologi dan pola warna. Proses penelitian meliputi pengumpulan dataset, preprocessing citra, augmentasi dasar, dan pelatihan model menggunakan pendekatan transfer learning. Meskipun augmentasi sintetis berbasis diffusion models direncanakan sebagai bagian dari kerangka penelitian, implementasinya belum terealisasi sepenuhnya karena keterbatasan komputasi. Hasil penelitian menunjukkan bahwa EfficientNet-B0 mampu mencapai akurasi 95,87% dan nilai F1-score 95,8%, dengan performa stabil pada seluruh kelas. Temuan ini menegaskan bahwa arsitektur efisien seperti EfficientNet tetap mampu memberikan performa tinggi pada tugas klasifikasi fine-grained, sekaligus membuka peluang penelitian lanjutan dalam pemanfaatan citra sintetis generatif untuk meningkatkan keragaman data pelatihan.