Klasifikasi Akurasi Kematangan Buah Apel Anna Berdasarkan Analisis Warna Model Nasnet Pada Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.30606/rjocs.v10i2.2856Keywords:
Klasifikasi Akurasi Kematangan, Buah Apel (Malus Domestica), Convolutional Neural Network (CNN), Nasnet ModelAbstract
Apel (Malus Domestica) merupakan salah satu jenis buah yang unggul dan sangat diminati masyarakat karena rasanya yang bervariasi. Buah apel memiliki banyak nutrisi dan berbagai macam vitamin diantaranya lemak baik, karbohidrat, protein, vitamin dan masih banyak lagi. Apel anna merupakan salah satu varietas apel yang dikembangkan diKota Batu, Malang dan berkembang di beberapa wilayah yang memiliki agroklimat yang sesuai untuk pertumbuhan apel. Penelitian ini menggunakan citra gambar buah apel anna sebagai dataset. Berbagai cara dapat dilakukan untuk membedakan kematangan apel anna, salah satunya melalui analisis citra warna. Namun, secara kasat mata, kematangan apel anna sering kali sulit dibedakan. Tujuan penelitian ini adalah melakukan klasifikasi kematangan apel anna berdasarkan analisis warna menggunakan metode Convolutional Neural Network (CNN). Dengan menggunakan google colab dan bahasa pemograman phyton dan dataset dari kaggle.com sebanyak 139 dataset, data training 46%, data validasi 54%. Metode Convolutional Neural Network (CNN dipilih karena kemampuannya dalam mengenali pola visual dengan akurasi tinggi. Hasil pengujian menunjukkan bahwa model Convolutional Neural Network (CNN mampu mengklasifikasikan kematangan apel anna dengan akurasi rata-rata mencapai 95%. Penelitian ini membuktikan bahwa metode Convolutional Neural Network (CNN efektif untuk mengidetintifikasi fitur visual yang relevan untuk menentukan tingkat kematangan buah apel anna)
Downloads
References
N. Wijaya and A. Ridwan, “Klasifikasi Jenis Buah Apel Dengan,” Sisfokom, vol. 08, no. 1, pp. 74–78, 2019.
E. K. Demasta, A. N. Al-Baarri, and A. M. Legowo, “Studi Perubahan Warna pada Buah Apel (Malus domestica Borkh.) dengan Perlakuan Asam Hipoiodous (HIO),” J. Teknol. Pangan, vol. 4, no. 2, pp. 145–148, 2020.
Estri Pamungkasih, Rahmadina Fitria Ristanti, Kinta Ramayanti, and Iftita Yustitia Arini, “Strategi Pengembangan Komoditas Buah Apel di Kabupaten Malang,” Pros. Semin. Nas. Pembang. dan Pendidik. Vokasi Pertan., vol. 4, no. 1, pp. 105–113, 2023, doi: 10.47687/snppvp.v4i1.635.
F. Indra Pratama, A. P. Wijaya, H. Pratiwi, and A. Budianita, “Klasifikasi Kematangan Buah Apel Berdasarkan Warna Dan Tekstur Menggunakan Algoritma K-Nearest Neighbor,” J. Ilm. Intech Inf. Technol. J. UMUS, vol. 5, no. 1, pp. 11–18, 2023, doi: 10.46772/intech.v5i1.1119.
R. A. Permana, Rohadi, and I. Fitriana, “Pengaruh Lama Blanching Terhadap Sifat Fisik Kimia Dan Sensori Kripik Apel Manalagi,” J. Teknol. Pangandan Has. Pertan., vol. 15, no. 1, pp. 1–10, 2021.
C. Suryanti and M. G. Rohman, “Klasifikasi Kualitas Buah Apel Berdasarkan Warna dan Bentuk Menggunakan Metode KNN,” Gener. J., vol. 8, no. 1, pp. 34–41, 2024, doi: 10.29407/gj.v8i1.21052.
I. K. B. D. D. D. Putra and I. K. G. Suhartana, “Klasifikasi Kematangan Buah Apel dengan Ekstraksi Fitur Haralick dan KNN,” J. Nas. Teknol. Inf. dan Apl., vol. 1, no. 4, pp. 1085–1092, 2023.
R. Namruddin, Mirfan, and Irfandi, “Klasifikasi Kesegaran Buah Apel Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Android,” Pros. SISFOTEK, pp. 295–302, 2023.
P. Penggunaan, -metilsiklopropena Terhadap Kualitas Buah Klimaterik Pasca Panen Indri Ayuni Nur Fauziah, and H. Sholihin, “Chemica Isola ARTIKEL REVIEW,” Chem. Isola, vol. 1, no. 2, pp. 49–57, 2021.
B. Yanto, E. Rouza, L. Fimawahib, B. H. Hayadi, and R. R. Pratama, “Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB),” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 1, 2023, doi: 10.25126/jtiik.20231015695.
B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, and R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, 2021, doi: 10.35314/isi.v6i2.2104.
B. Citra, R. E. D. Green, and B. Rgb, “PENERAPAN ALGORITMA DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK DALAM MENENTUKAN KEMATANGAN BUAH JERUK MANIS APPLICATION OF THE DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK ALGORITHM IN DETERMINING THE MURABILITY OF SWEET ORANGE FRUIT BASED ON IMAGES RED GRE,” vol. 10, no. 1, pp. 59–66, 2023, doi: 10.25126/jtiik.2023105695.
S. N. Nugraha, R. Pebrianto, and E. Fitri, “Penerapan Deep Learning Pada Klasifikasi Tanaman Paprika Berdasarkan Citra Daun Menggunakan Metode CNN,” Inf. Syst. Educ. Prof. J. Inf. Syst., vol. 8, no. 2, 2023, doi: 10.51211/isbi.v8i2.2671.
B. Yanto, B. -, J. -, and B. H. Hayadi, “Indentifikasi Pola Aksara Arab Melayu Dengan Jaringan Syaraf Tiruan Convolutional Neural Network (Cnn),” JSAI (Journal Sci. Appl. Informatics), vol. 3, no. 3, pp. 106–114, 2020, doi: 10.36085/jsai.v3i3.1151.
B. Swapna, R. Venkatessan, F. Taskeen, K. Indrapriya, D. Manjula, and D. S. Muthukumar, “Scalable Deep Learning for Categorization of Satellite Images,” 2023. doi: 10.1109/I-SMAC58438.2023.10290437.
B. Yanto`, Maria Angela Kartawidjaja, Ronald Sukwadi, and Marsellinus Bachtiar, “Implementation of Hue Saturation Intensity (Hsi) Color Space Transformation Algorithm With Red, Green, Blue (Rgb) Color Brightness in Assessing Tomato Fruit Maturity,” RJOCS (Riau J. Comput. Sci., vol. 9, no. 2, pp. 167–178, 2023, doi: 10.30606/rjocs.v9i2.2428.
R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” Insect (Informatics Secur. J. Tek. Inform., vol. 8, no. 2, 2023, doi: 10.33506/insect.v8i2.2356.
Rudiansyah, D. Setiawan, and Shucy Ramawati Fadila, “Identifikasi Faktor Risiko Stunting pada Anak-anak dengan Metode K means Clustering menggunakan Dataset Kaggle,” JEKIN - J. Tek. Inform., vol. 3, no. 1, 2023, doi: 10.58794/jekin.v3i1.443.
F. Mahamud et al., “Bell Pepper Leaf Disease Classification Using Convolutional Neural Network,” in Lecture Notes in Networks and Systems, 2023, vol. 569 LNNS. doi: 10.1007/978-3-031-19958-5_8.
A. K. Kurniawan, Andi Sunyoto, and Alva Hendi Muhammad, “Detection of Palm Fruit Maturity Using Convolutional Neural Network Method,” JAIA - J. Artif. Intell. Appl., vol. 2, no. 2, 2023, doi: 10.33372/jaia.v2i2.859.
F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, pp. 104–108, 2020, doi: 10.26740/jinacs.v1n02.p104-108.
I. G. Perwati, N. Suarna, and T. Suprapti, “Analisis Klasifikasi Gambar Bunga Lily Menggunakan Metode Convolutional Neural Network ( Cnn ) Dalam Pengolahan Citra,” vol. 8, no. 3, pp. 2908–2915, 2024.
C. Nisa and F. Candra, “Klasifikasi Jenis Rempah-Rempah Menggunakan Algoritma Convolutional Neural Network,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 78–84, 2023, doi: 10.57152/malcom.v4i1.1018.
