ANALISIS KOMPARATIF KLASIFIKASI BUAH BERBASIS CITRA: K-MEANS + RANDOM FOREST VS CONVOLUTIONAL NEURAL NETWORK (CNN)

Abstrak

Klasifikasi buah berbasis citra merupakan salah satu penerapan teknologi pengolahan citra digital yang banyak digunakan dalam bidang pertanian, industri makanan, dan sistem otomatisasi. Penelitian ini membandingkan performa dua pendekatan klasifikasi citra, yaitu kombinasi segmentasi K-Means dan Random Forest, serta metode Convolutional Neural Network (CNN). Pada pendekatan pertama, K-Means digunakan untuk segmentasi citra dan ekstraksi fitur seperti bentuk dan warna, yang kemudian diklasifikasikan menggunakan Random Forest. Sementara itu, CNN digunakan sebagai metode end-to-end berbasis deep learning yang secara otomatis mempelajari fitur dari citra tanpa proses ekstraksi manual. Eksperimen dilakukan menggunakan dataset yang dikurasi dari platform Kaggle, terdiri dari empat kelas buah utama: Anggur (988 citra), Apel (991 citra), Jeruk (656 citra), dan Tomat (992 citra). Hasil pengujian menunjukkan bahwa model K-Means + Random Forest mencapai akurasi sebesar 99,72% pada data uji, sementara model CNN memperoleh akurasi sebesar 84,62%. Performa CNN yang lebih rendah terutama diduga disebabkan oleh overfitting yang signifikan dan kebutuhan tuning parameter yang lebih kompleks. Dengan demikian, penelitian ini menunjukkan bahwa meskipun CNN memiliki potensi besar dalam menangani variasi citra yang kompleks, metode tradisional seperti K-Means + Random Forest masih sangat efektif dan bahkan dapat memberikan performa superior dalam kondisi pencitraan yang terkontrol. Hasil ini dapat menjadi acuan dalam pemilihan pendekatan klasifikasi yang tepat berdasarkan kebutuhan aplikasi dan sumber daya yang tersedia.