Email this article 
Implementasi Convolutional Neural Network Pada Alat Klasifikasi Kematangan dan Ukuran Buah Nanas Berbasis Android
(1)
(2) Politeknik Negeri Sriwijaya
(3) Politeknik Negeri Sriwijaya
(*) Corresponding Author
Abstract
Sumatera Selatan merupakan wilayah produksi buah nanas paling tinggi di tahun 2021. Dalam proses penjualan buah nanas bergantung pada ukuran dan kematangan. Para petani mengklasifikasikan buah nanas secara subjektif dengan kedua mata, sehingga menyebabkan proses klasifikasi tidak efektif. Teknologi machine learning berkembang sangat pesat, salah satunya deep learning yang menggunakan syaraf tiruan (neural network) yang sangat dalam (deep) untuk mempelajari representasi fitur dari data secara otomatis. Penelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) untuk mengklasifikasi kematangan dan ukuran buah nanas agar proses pemilahan hasil produksi buah nanas menjadi efektif dan akurat. Terdapat 6 label klasifikasi yaitu, nanas besar matang, besar setengah matang, sedang matang, sedang setengah matang, kecil matang dan kecil setengah matang. Digunakan Raspberry pi 3B+ dan kamera pi sebagai alat pengambilan citra buah. Didapatkan hasil akurasi proses training sebesar 99,4 % dan akurasi proses validasi sebesar 92,4% dengan dataset sebanyak 275 data untuk setiap label. Dataset digunakan 80% sebagai data training dan 20% data validasi. Sedangkan untuk pengujian testing pada alat digunakan 90 data uji dengan hasil akurasi sebesar 90,83%. Dan hasil klasifikasi akan tampil pada aplikasi android termasuk jumlah stok nanas yang telah dideteksi, sehingga dapat mempermudah pekerjaan petani dalam menyortir buah nanas.
Abstract views : 247
| 
views : 47
References
Badan Pusat Statistik, “Produksi Tanaman Buah-buahan 2021,” bps.go.id, 2022. https://www.bps.go.id/indicator/55/62/1/produksi-tanaman-buah-buahan.html (accessed Jan. 29, 2023).
H. Herawati and A. Rifin, “Analisis Pemasaran Nenas Palembang (Kasus: Desa Paya Besar, Kecamatan Payaraman, Kabupaten Ogan Ilir, Provinsi Sumatera Selatan),” in Forum Agribisnis: Agribusiness Forum, 2013, pp. 147–160.
F. T. Desy, A. Surtono, A. Supriyanto, and J. Junaidi, “Rancang Bangun Purwarupa Pemilah Nanas Berdasarkan Tingkat Kematangan Menggunakan Mikrokontroler Blue Pill STM32F103C8T6,” Journal of Energy, Material, and Instrumentation Technology, vol. 1, no. 3, pp. 81–90, Nov. 2020, doi: 10.23960/jemit.v1i3.27.
R. A. Syawalia, S. Rasyad, and D. A. Pratama, “Implementasi Fuzzy Logic pada Sistem Sortir Otomatis Alat Penghitung Jumlah Buah Apel,” JTEV (Jurnal Teknik Elektro dan Vokasional), vol. 6, no. 2, pp. 421–432, 2020.
F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” Journal of Informatics and Computer Science (JINACS), vol. 1, no. 02, 2019.
Sutisna and F. Chairulloh, “KLASIFIKASI TINGKAT KEMATANGAN BUAH NANAS BERDASARKAN TEKSTUR GRAY LEVEL CO-OCCURRENCE MATRIX DENGAN METODE SUPPORT VECTOR MACHINE,” Jurnal Informatika Teknologi dan Sains, vol. 4, no. 4, pp. 296–301, Nov. 2022, doi: 10.51401/jinteks.v4i4.2047.
W. S. E. Putra, “Klasifikasi citra menggunakan convolutional neural network (CNN) pada caltech 101,” Jurnal Teknik ITS, vol. 5, no. 1, 2016.
I. A. Sabilla, “Arsitektur Convolutional Neural Network (CNN) untuk Klasifikasi Jenis dan Kesegaran Buah pada Neraca Buah,” Institut Teknologi Sepuluh Nopember, 2020.
N. Youssouf, “Traffic sign classification using CNN and detection using faster-RCNN and YOLOV4,” Heliyon, vol. 8, no. 12, Dec. 2022, doi: 10.1016/j.heliyon.2022.e11792.
U. UNGKAWA and G. AL HAKIM, “Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 3, p. 731, 2023.
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 Informatika, vol. 6, no. 2, pp. 259–268, 2021.
Y. Bili et al., “Perancangan Alat Pendeteksi Kematangan Buah Nanas Dengan Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network (CNN),” 2022. [Online]. Available: http://ojs.fikom-methodist.net/index.php/METHOTIKA
N. Saranya, K. Srinivasan, and S. K. P. Kumar, “Banana ripeness stage identification: a deep learning approach,” J Ambient Intell Humaniz Comput, vol. 13, no. 8, pp. 4033–4039, Aug. 2022, doi: 10.1007/s12652-021-03267-w.
I. A. Sabilla, “Arsitektur Convolutional Neural Network (Cnn) Untuk Klasifikasi Jenis Dan Kesegaran Buah Pada Neraca Buah,” Institut Teknologi Sepuluh Nopember, 2020.
P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network (Cnn) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp. 12–20, 2020.
Y. B. E. Purba, N. F. Saragih, A. P. Silalahi, S. Sitepu, and A. Gea, “Perancangan Alat Pendeteksi Kematangan Buah Nanas Dengan Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network (CNN),” Jurnal Ilmiah Teknik Informatika METHOTIKA, vol. 2, no. 1, pp. 13–21, 2022.
R. Yowandita, “PEMBUATAN JELLY DRINK NANAS (Ananas comosus L) KAJIAN TINGKAT KEMATANGAN BUAH NANAS DAN KONSENTRASI PENAMBAHAN KARAGENAN TERHADAP SIFAT FISIK, KIMIA DAN ORGANOLEPTIK,” Jurnal Pangan dan Agroindustri, vol. 6, no. 2, pp. 63–73, Apr. 2018, doi: 10.21776/ub.jpa.2018.006.02.7.
S. Rossa, “Design & Build Banknote Nominal Identification Tools for Visual Impairment Using Convolutional Neural Network Algorithm and Tensorflow with Android Based,” Logic: Jurnal Rancang Bangun dan Teknologi, vol. 22, no. 3, pp. 244–252, 2022.
L. M. Silalahi, I. U. V. Simanjuntak, F. A. Silaban, S. Budiyanto, and M. Ikhsan, “Integration of opencv raspberry pi 3b+ and camera sensor in access control of vehicle ignition key system,” in IOP Conference Series: Materials Science and Engineering, IOP Publishing, 2020, p. 012002.
A. Afrizal, S. J. I. Ismail, and G. B. Satrya, “Perancangan Sistem Keamanan Rumah Menggunakan Deteksi Wajah Berbasis Machine Learning Menggunakan Tensorflow,” eProceedings of Applied Science, vol. 8, no. 1, 2022.
DOI: https://doi.org/10.35314/isi.v8i2.3413
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This Journal has been listed and indexed in :
Copyright of Jurnal Inovtek Polbeng - Seri Informatika (ISSN: 2527-9866)
ISI: Inovtek Polbeng Seri Informatikan is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Editorial Office :
Pusat Penelitian dan Pengabdian kepada Masyarakat
Politeknik Negeri Bengkalis
Jl. Bathin alam, Sungai Alam Bengkalis-Riau 28711
E-mail: jurnalinformatika@polbeng.ac.id
www.polbeng.ac.id
View My Stats