Publisher

UBUB

Journal Jurnal Teknologi Informasi dan Ilmu KomputerJurnal Teknologi Informasi dan Ilmu Komputer Abstract

Buah dan sayur merupakan sumber utama vitamin, mineral, dan serat yang sangat penting untuk menjaga kesehatan tubuh. WHO merekomendasikan konsumsi sebesar 400 gram per hari untuk gizi seimbang. Namun, kualitas dan kesegaran buah dan sayur sering kali sulit diidentifikasikan secara manual, terutama dalam skala besar, karena metode tradisional memiliki keterbatasan akurasi dan rentan terhadap kesalahan manusia. Kemajuan kecerdasan buatan, khususnya deep learning, memberikan solusi inovatif dalam klasifikasi citra. Convolutional Neural Network (CNN) telah terbukti efektif dalam pengenalan dan klasifikasi gambar. Penelitian ini menerapkan CNN dengan arsitektur Inception V3 dalam mengklasifikasikan kesegaran buah dan sayuran menjadi dua kategori utama, yaitu segar dan busuk. Model dikembangkan menggunakan dataset yang terdiri dari 11.441 citra, dibagi menjadi tiga subset utama: training data (sekitar 44.38%), validation data (sekitar 11.07%), dan test data (sekitar 44.55%), dengan 14 kelas yang berbeda. Hasil penelitian menunjukkan akurasi sebesar 95% dan validasi akurasi sebesar 100% pada epoch ke-4, dengan val_loss terendah sebesar 0.0260 dan MAE sebesar 0.26, yang menunjukkan kinerja model yang sangat baik dalam mendeteksi kesegaran buah dan sayur.

Conclusion

Penelitian ini berhasil mengembangkan dan mengevaluasi model Convolutional Neural Network (CNN) untuk mengklasifikasikan gambar buah dalam 14 kelas berdasarkan kondisi segar dan busuk.Dataset yang digunakan terdiri dari total 11.441 gambar, yang dibagi ke dalam tiga subset utama.Pembagian dilakukan dengan mempertahankan distribusi kelas secara merata (stratifikasi) guna memastikan keadilan dalam proses pelatihan dan pengujian.Hasil penelitian menunjukkan akurasi tinggi pada sebagian besar kelas, dengan prediksi benar lebih dominan.Kesalahan kecil terjadi pada kategori mirip, seperti fresh-apples diprediksi sebagai rotten-categories, namun jumlahnya sedikit.False Negative cenderung terjadi pada kelas seperti rotten-tomato karena kemiripan visual dengan kelas lain.Model memiliki akurasi keseluruhan 95% dengan performa terbaik pada fresh-banana & rotten-banana (precision sempurna, recall hampir sempurna).Namun, masih ada ruang perbaikan untuk kelas tertentu seperti rotten-tomato.

Future Research

Untuk penelitian lanjutan, disarankan untuk meningkatkan generalisasi model dengan menggunakan dataset yang lebih beragam dan mengintegrasikan komputasi tepi (edge computing) untuk inspeksi kualitas langsung di lokasi. Selain itu, perlu dipertimbangkan untuk memperluas jumlah kelas dan jenis buah serta sayuran guna meningkatkan generalisasi model. Teknik augmentasi data, fine-tuning arsitektur, serta optimasi parameter pelatihan dapat diterapkan untuk meningkatkan akurasi. Pengembangan ini diharapkan dapat meningkatkan kualitas penelitian dan berkontribusi lebih luas dalam penerapan machine learning untuk klasifikasi kesegaran buah dan sayuran.

References

1. IDENTIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) | JATI... doi.org/10.36040/jati.v7i3.7137IDENTIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK CNN JATI doi 10 36040 jati v7i3 7137
2. Classification of Pineapple (Ananas comosus l.) Maturity Level Using Deep Learning Method | G-Tech: Jurnal... ejournal.uniramalang.ac.id/index.php/g-tech/article/view/4122Classification of Pineapple Ananas comosus l Maturity Level Using Deep Learning Method G Tech Jurnal ejournal uniramalang ac index php g tech article view 4122
3. Implementasi Metode Convolutional Neural Network Untuk Deteksi Kematangan Buah Pisang Menggunakan Inception... doi.org/10.33633/joins.v8i2.9074Implementasi Metode Convolutional Neural Network Untuk Deteksi Kematangan Buah Pisang Menggunakan Inception doi 10 33633 joins v8i2 9074

Metadata

File size	883 KB
Pages	10
DMCA	Report