Implementasi Metode Convolutional Neural Network Untuk Deteksi Kematangan Buah Pisang Menggunakan Inception V3

Authors

DOI:

https://doi.org/10.33633/joins.v8i2.9074

Keywords:

Buah Pisang, Convolutional Neural Network, Inception V3, Confusion Matrix

Abstract

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%.

Author Biographies

Novia Wahyu Wulansari, Dian Nuswantoro University

Faculty of Computer Science

Muslih Muslih, Dian Nuswantoro University

Faculty of Computer Science

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

2023-11-30

How to Cite

[1]
N. W. Wulansari and M. Muslih, “Implementasi Metode Convolutional Neural Network Untuk Deteksi Kematangan Buah Pisang Menggunakan Inception V3”, Journal of Information System, vol. 8, no. 2, pp. 147–155, Nov. 2023.