Implementasi Metode Convolutional Neural Network Untuk Deteksi Kematangan Buah Pisang Menggunakan Inception V3
DOI:
https://doi.org/10.33633/joins.v8i2.9074Keywords:
Buah Pisang, Convolutional Neural Network, Inception V3, Confusion MatrixAbstract
Pisang merupakan komoditi ekspor yang perlu diperhatikan kualitasnya. Salah satu cara mengetahui kualitasnya dapat dilihat dari tingkat kematangannya. Tingkat kematangan buah pisang tersebut dapat diklasifikasikan dan diidentifikasi oleh mata manusia secara langsung, tetapi dengan jumlah panen yang berlimpah akan memunculkan permasalahahan berhubungan dengan keputusan yang diambil secara cepat bahwa pisang tersebut disimpulkan mentah, matang atau busuk, maka diperlukan cara untuk mengklasifikasikan tingkat kematangan buah pisang dengan bantuan teknologi. Penelitian ini berfokus pada pengklasifikasian tingkat kematangan buah pisang dengan menggunakan arsitektur inception V3 yang merupakan pengembangan dari metode convolutional neural network. Model yang telah dikembangkan dapat menghasilkan akurasi 95% pada proses training dan pada proses evaluasi dengan menggunakan confusion matrix menghasilkan nilai precision sebesar 93%, nilai recall 94% dan nilai akurasi sebesar 94%.References
Dinas Pertanian dan Ketahanan Pangan DIY, “Pisang,” Aug. 2022. https://distan.jogjaprov.go.id/wp-content/download/buah/pisang.pdf (accessed Aug. 25, 2023).
Dinas Pertanian Kabupaten Buleleng, “Pisang,” Aug. 2022. https://distan.bulelengkab.go.id/informasi/detail/artikel/kultur-jaringan-pada-pisang-35 (accessed Aug. 25, 2023).
S. U. N. Ramadhani, “Analisis Trend Konsumsi Buah-Buahan Segar Di Kota Makassar,” Skripsi, Universitas Muhammadiyah Makassar, 2020.
Rifki Kosasih, “Klasifikasi Tingkat Kematangan Pisang Berdasarkan Ekstraksi Fitur Tekstur dan Algoritme KNN,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 10, no. 4, pp. 383–388, Nov. 2021, doi: 10.22146/jnteti.v10i4.462.
E. Retnoningsih and R. Pramudita, “Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python,” BINA INSANI ICT JOURNAL, vol. 7, no. 2, p. 156, Dec. 2020, doi: 10.51211/biict.v7i2.1422.
T. Nurhikmat, “Implementasi deep learning untuk image classification menggunakan algoritma Convolutional Neural Network (CNN) pada citra wayang golek,” 2018.
S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sistem Dan Teknologi Informasi Indonesia), vol. 3, no. 2, pp. 49–56, 2018.
I. K. A. Aji, S. Haenuki, and Y. Archadius, “Klasifikasi Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Deep Learning,” The Journal on Machine Learning and Computational Intelligence (JMLCI), vol. 2, no. 1, pp. 9–17, 2022.
Downloads
Published
How to Cite
Issue
Section
License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
This work is licensed under a Creative Commons Attribution 4.0 International License.
