Electronic Theses and Dissertation

Durian (durio zibethinus) merupakan komoditas hortikultura tropis bernilai ekonomi tinggi dengan keragaman kultivar yang besar. identifikasi kultivar durian berperan penting dalam mendukung sertifikasi bibit, manajemen budidaya, dan pengendalian mutu pada sistem pertanian modern. identifikasi konvensional yang dilakukan dengan mengamati morfologi daun secara manual sangat bergantung pada pengalaman pakar sehingga berpotensi menghasilkan hasil bersifat subjektif dan tidak konsisten. pendekatan deep learning berbasis citra daun masih terbatas dan menghadapi tantangan karena adanya kemiripan visual yang tinggi antar kultivar tanaman. oleh karena itu, penelitian ini mengusulkan metode hybrid learning dengan mekanisme adaptive feature fusion (aff) untuk mengidentifikasi kultivar bibit durian secara otomatis berdasarkan citra daun. metode yang diusulkan mengintegrasikan representasi visual yang diekstraksi menggunakan mobilevit-v2 dengan fitur morfologi daun berbasis numerik yang dipelajari melalui multi-layer perceptron (mlp). fitur morfologi yang digunakan mencakup karakteristik bentuk daun, venasi, warna, dan tekstur yang diekstraksi dari area daun hasil segmentasi. selanjutnya, mekanisme aff digunakan untuk mempelajari kontribusi secara adaptif antara fitur visual dan fitur morfologi sehingga informasi dari kedua modalitas dapat saling melengkapi. eksperimen dilakukan menggunakan dataset primer yang terdiri atas 1.750 citra daun dari empat kultivar durian, yaitu bawor, duri hitam, musang king, dan super tembaga. hasil pengujian menunjukkan bahwa metode hybrid learning yang diusulkan mampu mengungguli pendekatan model tunggal dengan akurasi sebesar 98,29% dan nilai macro-f1 score sebesar 98,30%. metode yang diusulkan meningkatkan akurasi klasifikasi sebesar 1,72% dibandingkan model baseline mobilevit-v2. selain itu, mekanisme aff menunjukkan pola pembobotan adaptif yang stabil selama proses pelatihan yang mengindikasikan bahwa integrasi fitur visual dan morfologi berhasil membentuk representasi yang lebih diskriminatif. pendekatan yang diusulkan dapat menjadi solusi efektif untuk klasifikasi kultivar durian berbasis citra daun serta memiliki potensi untuk dikembangkan lebih lanjut pada sistem pertanian cerdas di lapangan.

Durian (Durio zibethinus) is a tropical horticultural commodity with high economic value and substantial cultivar diversity. Durian cultivar identification plays an important role in supporting seedling certification, cultivation management, and quality control in modern agricultural systems. Conventional identification based on manual observation of leaf morphology relies heavily on expert experience, which may lead to subjective and inconsistent results. Leaf image-based deep learning approaches remain limited and face challenges due to the high visual similarity among plant cultivars. Therefore, this study proposes a hybrid learning method with an Adaptive Feature Fusion (AFF) mechanism to automatically identify durian seedling cultivars based on leaf images. The proposed method integrates visual representations extracted using MobileViT-v2 with numerical leaf morphological features learned through a Multi-Layer Perceptron (MLP). The morphological features include leaf shape, venation, color, and texture characteristics extracted from segmented leaf regions. Furthermore, the AFF mechanism is employed to adaptively learn the contribution between visual and morphological features, allowing information from both modalities to complement each other. Experiments were conducted using a primary dataset consisting of 1,750 leaf images from four durian cultivars, namely Bawor, Duri Hitam, Musang King, and Super Tembaga. The experimental results show that the proposed hybrid learning method outperforms single-model approaches, achieving an accuracy of 98.29% and a Macro-F1 Score of 98.30%. The proposed method improves classification accuracy by 1.72 percentage points compared with the MobileViT-v2 baseline model. In addition, the AFF mechanism demonstrates a stable adaptive weighting pattern during the training process, indicating that the integration of visual and morphological features successfully forms a more discriminative representation. The proposed approach can serve as an effective solution for leaf image-based durian cultivar classification and has the potential to be further developed for field-based smart agriculture systems.