KLASIFIKASI TINGKAT KEMATANGAN BUAH PISANG CAVENDISH MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK MODEL VGG-19
Isi Artikel Utama
Abstrak
Pisang yang terdapat di Kebun Pisang Cavendish Kabupaten Purbalingga memiliki tingkat kematangan dan kualitas yang berbeda beda, sebagai buah lokal yang memiliki nilai ekonomi tinggi dan memiliki potensi pasar yang masih terbuka luas, buah pisang cavendish menjadi salah satu komoditas buah-buahan yang dapat diandalkan di indonesia[3]. Pemerintah melalui Badan Standarisasi Nasional menetapkan standar untuk buah pisang, menjaga mutu buah pisang. Tujuan dari penelitian ini adalah menganalisa pengaruh cahaya dan kualitas citra dalam mengklasifikasikan tingkat kematangan buah pisang berdasarkan ciri warna buah pisang di Kebun Pisang Cavendish kabupaten banyumas jawa tengah sesuai dengan SNI 7422:2009[1]. Dalam penelitian ini, para peneliti mengelompokkan tingkat kematangan buah pisang Cavendish dengan menggunakan Convolutional Neural Network (CNN) yang menggunakan arsitektur model VGG-19. Penggunaan VGG-19 difokuskan pada identifikasi tingkat kematangan buah pisang varietas Cavendish. Pemilihan model VGG-19 dilatarbelakangi oleh kedalaman serta keandalan arsitektur VGGNet yang terbukti efektif dalam teknologi ImageNet. Keterlibatan peneliti adalah untuk menguji ketepatan model VGG-19 dalam eksperimen ini, yang melibatkan total 9.000 dataset. Di antara jumlah tersebut, 80% digunakan sebagai data latihan, 10% sebagai data validasi, dan 10% sebagai data uji. Namun, hasil akurasi yang tercatat pada epoch 32, 64, dan 96 menunjukkan variasi yang signifikan. Pada epoch 32, 64, dan 96, VGG-19 berhasil mencapai akurasi tertinggi sebesar 97%.
Unduhan
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Penulis yang menerbitkan dengan Positif : Jurnal Sistem dan Teknologi Informasi menyetujui persyaratan berikut:
- Penulis memegang hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
- Penulis dapat masuk ke dalam pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan.
This work is licensed under a Creative Commons Attribution 4.0 International License.
Referensi
I. Najiah, I. Hariyanti, A. R. Sanjaya, A. R. Sanjaya, K. P. Celak, and D. K. Pisang, “Deteksi Jenis Dan Kematangan Pisang Menggunakan Metode Extreme Learning,” Responsif, vol. 2, no. 2, pp. 232–242, 2020.
https://id.wikipedia.org, “Pisang cavendish,” https://id.wikipedia.org, 2021. https://id.wikipedia.org/wiki/Pisang_cavendish (accessed Jun. 03, 2021).
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.
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.
Y. Zhang, J. Gao, and H. Zhou, “Breeds Classification with Deep Convolutional Neural Network,” ACM Int. Conf. Proceeding Ser., 2020, doi: 10.1145/3383972.3383975.
I. SABILLA, AHMAD, “Arsitektur Convolutional Neural Network (Cnn) Untuk Klasifikasi Jenis Dan Kesegaran Buah Pada Neraca Buah,” Tesis, no. 201510370311144, pp. 1–119, 2020, [Online]. Available: https://repository.its.ac.id/73567/1/05111850010020-Master_Thesis.pdf.
S. G. and K. Sarkar, “Rice Leaf Diseases Classification Using CNN with Transfer Learning,” IEEE Calcutta Conf. CALCON, pp. 230–236, 2020, doi: 10.1109/CALCON49167.2020.9106423.
and I. I. A. Hidayat, U. Darusalam, “Detection of Disease on Corn Plants Using Convolutional Neural Network Methods,” J. Ilmu Komput. dan Inf, vol. 12, no. 1, p. 51, 2020, doi: 10.21609/jiki.v12i1.695.
and A. S. E. Anggiratih, S. Siswanti, S. K. Octaviani, “Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 dengan Transfer Learning,” J. Ilm. SINUS, vol. 19, no. 1, p. 75, 2021, doi: 10.30646/sinus.v19i1.526.
F. Emmert-streib, Z. Yang, H. Feng, S. Tripathi, and F. Emmert-streib, “An Introductory Review of Deep Learning for Prediction Models With Big Data,” vol. 3, no. February, pp. 1–23, 2020, doi: 10.3389/frai.2020.00004.