Implementasi Deep Learning Untuk Prediksi Tingkat Kematangan Dan Bobot Buah Pepaya
DOI:
https://doi.org/10.34818/eoe.v8i6.16971Abstract
Buah pepaya di Indoensia saat ini sangat digemari karena banyak manfaatnya. Saat ini untuk menentukan kematangan buah pepaya dan bobot buah pepaya masih menggunakan cara manual yaitu dengan visual manusia dan timbangan. Melihat kematangan dengan viusal manusi memiliki pandangan yang berbeda untuk menentukan kematangan buah pepaya. Tingkat kematangan buah pepaya sendiri dibagi menjadi 3 yaitu, mentah, setengah matang, dan matang. Saat ini ekspor dan impor di Indonesia sangat menguntungkan bagi petani buah pepaya maupun petani buah lainnya. Kualitas buah pepaya sendiri ditentukan dengan kematangan dan bobot buah. Sehingga diperlukan sebuah sistem automasi yang dapat mengklasifikasi kematangan buah pepaya dan bobot buah, agar saat proses pengiriman dan kualitas seleksi buah menjadi maksimal. Klasifikasi kematangan dilakukan dengan menggunakan 60 citra buah pepaya yang diperoleh dari pedagang buah menggunakan kamera smartphone. Pada penelitian ini penulis menggunakan metode Convolutional Neural Network (CNN) untuk mengklasifikasi kematangan buah pepaya dan bobot buah. Hasil yang diperoleh dari penelitian ini adalah sistem yang mampu mengklasifikasi tingkat kematangan buah pepaya dan bobot buah pepaya. Klasifikasi tingkat kematangan buah pepaya mendapatkan tingkat akurasi training 94.08% dan 68% untuk testing. Sedangkan untuk prediksi bobot buah pepaya mendapatkan tingkat akurasi training 100% dan 80% untuk testing. Kata kunci: Buah pepaya, Convolutional Neural Network (CNN), Tingkat Kematangan Buah PepayaReferences
[1] Imam Fathurrahman, Amri Muliawan Nur, Fathurrahman, «Identifikasi Kematangan Buah Mentimun
Berbasis Citra Digital Menggunakan Jaringan Syaraf Tiruan Backpropagation,» Informatika dan
Teknologi, Vols. %1 de %22, No. 1, pp. 27 - 33, 2019.
[2] Sella Kusumaningtyas, Rosa Andrie Asmara, «IDENTIFIKASI KEMATANGAN BUAH TOMAT
BERDASARKAN WARNA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN (JST),»
Vols. %1 de %22, Edisi 2, pp. 72 - 75, 2016.
[3] Rucha Thakur, Gaurav Suryawanshi, Hardik Patel, Janhavi Sangoi, «An Innovative Approach For
Fruit Ripeness Classification,» de Proceedings of the International Conference on Intelligent
Computing and Control Systems (ICICCS 2020), 2020.
[4] Salma Shofia Rosyda, Budhi Irawan and Anggunmeka Luhur Prasasti, «Design of arabic recognition
application using Convolutional Neural Network,» Journal of Engineering and Applied Sciences, pp.
6982 - 6990, 2019.
[5] Ari Peryanto, Anton Yudhana, dan Rusydi Umar, «Rancang Bangun Klasifikasi Citra Dengan
Teknologi Deep Learning Berbasis Metode Convolutional Neural Network,» vol. 8, nº 2, pp. 138 -
147, 2019.
[6] Ina Najiah, Ifani Hariyanti, «DETEKSI JENIS DAN KEMATANGAN PISANG MENGGUNAKAN
METODE EXTREME LEARNING MACHINE,» JURNAL RESPONSIF, vol. Vol. 2 No.2, p.
232~242, 2020.
[7] Alief Wikarta, Agus Sigit Pramono, Julendra B Ariatedja, «Analisa Bermacam Optimizer Pada
Convolutional Neural Network Untuk Deteksi Pemakaian Masker Pengemudi Kendaraan,» de Seminar
Nasional Informatika (SEMNASIF), Yogyakarta, 2020.
[8] Fajar Arasy Isman, Anggunmeka Luhur Prasasti, Ratna Astuti Nugrahaeni, «Expression Classification
For User Experience Testing Using Convolutional Neural Network,» de International Conference on
Artificial Intelligence and Mechatronics Systems (AIMS), 2021.
[9] Laila Ma’rifatul Azizah, Sitti Fadillah Umayah, Slamet Riyadi, Cahya Damarjati, Nafi Ananda Utama,
«Deep Learning Implementation using Convolutional Neural Network in Mangosteen Surface Defect
Detection,» de International Conference on Control System, Computing and Engineering (ICCSCE
2017), Penang, Malaysia, 2017.
[10] Nuruddin Wiranda, Harja Santana Purba, R Ati Sukmawati, «Survei Menggunakan Tensorflow Pada
Machine Learning untuk Identifikasi Ikan Kawasan Lahan Basah,» Indonesian Journal of Electronics
and Instrumentation Systems (IJEIS), vol. 10, pp. 179 - 188, 2020.
