Klasifikasi Kematangan Buah Pisang Secara Real-Time Menggunakan Convolutional Neural Network Berbasis Android

Rendra Soekarta; Muh. Fadli Hasa; Endang Stahputri Ode

doi:10.33506/insect.v10i1.3553

Authors

Rendra Soekarta Program Studi Teknik Informatika, Universitas Muhammadiyah Sorong
Muh. Fadli Hasa Program Studi Teknik Informatika, Universitas Muhammadiyah Sorong
Endang Stahputri Ode Program Studi Teknik Informatika, Universitas Muhammadiyah Sorong

DOI:

https://doi.org/10.33506/insect.v10i1.3553

Keywords:

Pisang, Klasifikasi, Real-time, Convolutional Neural Network (CNN), EfficientNet

Abstract

Pisang adalah buah yang banyak diminati masyarakat karena memiliki rasa dan kandungan gizi serta vitamin yang baik untuk kebutuhan tubuh manusia. Berdasarkan data dari bps.go.id pada tahun 2021, Indonesia memproduksi 8.741.147 ton pisang, menjadikannya salah satu negara yang dikenal di dunia dalam pokroduksi pisang. Kota Sorong adalah salah satu pulau yang merupakan penghasil pisang. Konsumen buah pisang biasanya dapat mengetahui tingkat kematangan buah pisang dengan melihat warna kulitnya, karena ini adalah cara yang paling mudah. Walaupun mudah dilakukan, ada masalah yang membuat proses pemilihan buah pisang menjadi kurang optimal, terutama jika dilakukan secara manual. Pada penelitian ini dibutuhkan suatu sistem yang bertujuan untuk mengklasifikasi buah pisang secara real-time berdasarkan tingkat kematangan menggunakan Convolutional Neural Network (CNN). Dataset yang digunakan adalah citra warna buah pisang dengan total 599, yang diklasifikasikan menjadi 3 kelas. Hasil klasifikasi kematangan buah pisang secara real-time menggunakan Convolutional Neural Network berbasis android dengan model EfficientNet dapat mengklasifikasikan kematangan buah pisang dengan tingkat accuracy training mencapai 99% dan accuracy validation mencapai 90%. Pada pengujian kelas matang, precision dapat mencapai tingkat akurasi 100%, recall 92%, dan f1-score 96%. Pada pengujian kelas mentah, precision dapat mencapai 100%, recall 100%, dan f1-score 100%. Pada pengujian kelas setengah matang, precision dapat mecapai 93%, recall 100%, dan f1-score mencapai 96%.

References

G. Gampur, I. W. Ordiyasa, and S. Hasta Mulyani, “Klasifikasi Jenis Pisang Menggunakan Convolutional Neural Network,” Semin. Nas. Tek. Elektro, Inform. dan Sist. Inf., vol. 1, no. 1, 2022, doi: 10.35842/sintaks.v1i1.6.

Badan Pusat Statistik Indonesia, “Produksi Tanaman Buah-buahan, 2021-2023,” 2023. https://www.bps.go.id/id/statistics-table/2/NjIjMg==/produksi-tanaman-buah-buahan.html

Badan Pusat Statistik Kota Sorong, “Produksi Buah-buahan (Ton), 2019,” 2019. https://sorongkota.bps.go.id/indicator/55/287/1/produksi-buah-buahan-.html

A. D. Putro and A. Hermawan, “Pengaruh Cahaya dan Kualitas Citra dalam Klasifikasi Kematangan Pisang Cavendish Berdasarkan Ciri Warna Menggunakan Artificial Neural Network,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 215–228, 2021, doi: 10.30812/matrik.v21i1.1396.

Y. Amrozi, D. Yuliati, A. Susilo, N. Novianto, and R. Ramadhan, “Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 3, pp. 394–399, 2022, doi: 10.32736/sisfokom.v11i3.1502.

M. Al Fatih, A. A. Riadi, and Evanita, “Identifikasi Tingkat Kematangan Buah Pisang Kepok Berdasarkan Warna Dan Tekstur Dengan Metode K-Means,” SmartAI J., vol. 1, no. 4, pp. 201–206, 2022, [Online]. Available: https://ejournal.abivasi.id/index.php/SmartAI

A. Rahmi, N. Putri Acla Dwi Febri Hidayati, S. Hardiyanti, Sp. Madrasah Aliyah Negeri, T. H. Jl Ir Juanda No, and K. Kec Kotaagung Kab Tanggamus, “Pengaruh Etilen Alami Kulit Buah Kakao Untuk Mematangkan Buah Sebagai Alternatif Pengganti Karbit,” EKSTRAKSI J. Mat. Sains Teknol. Dan Lingkung., vol. 1, no. 1, pp. 69–75, 2024, [Online]. Available: https://journal.abakacademypress.com/index.php/ekstraksi/article/view/16

A. Dwi and P. Wicaksono, “Klasifikasi Tingkat Kematangan , Kualitas dan Jenis Buah Pisang Berdasarkan Ciri Warna dan Bentuk Menggunakan Artificial Neural Networks,” vol. 07, no. 02, pp. 91–98, 2022.

I. Najiyah and I. Hariyanti, “Deteksi Jenis Dan Kematangan Pisang Menggunakan Metode Extreme Learning Machine,” J. Responsif Ris. Sains dan Inform., vol. 2, no. 2, pp. 232–242, 2020, doi: 10.51977/jti.v2i2.315.

I. P. A. E. D. Udayana and I. K. D. G. Supartha, “Implementasi Kombinasi Metode Mean Denoising dan Convolutional Neural Network pada Facial Landmark Detection,” J. Nas. Pendidik. Tek. Inform., vol. 10, no. 1, p. 1, 2021, doi: 10.23887/janapati.v10i1.29779.