Klasifikasi Kematangan Buah Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN)
Abstract
Industri kelapa sawit berperan penting dalam perekonomian global, namun klasifikasi tingkat kematangan buah sawit secara efisien masih menjadi tantangan. Klasifikasi manual memakan waktu dan sumber daya yang besar dengan akurasi yang kurang memadai. Oleh karena itu, pendekatan seperti Convolutional Neural Network (CNN) menjadi solusi yang menjanjikan. CNN memanfaatkan kemampuan jaringan saraf tiruan untuk memahami fitur kompleks dalam gambar, memungkinkan klasifikasi otomatis yang lebih akurat. Penelitian ini menggunakan CNN untuk klasifikasi kematangan buah sawit. Dataset gambar buah sawit dengan berbagai tingkat kematangan dikumpulkan dan dibagi menjadi tiga bagian: training (70%, 152 data), validasi (15%, 32 data), dan pengujian (15%, 32 data), dengan total 216 data. Pembagian ini memastikan evaluasi kinerja model yang seimbang dan akurat. Model yang dihasilkan diharapkan mampu mengenali dan mengklasifikasikan buah sawit berdasarkan tingkat kematangan dengan lebih efektif. Hasil pengujian menunjukkan bahwa selama epoch 1-20, akurasi training mencapai 100% dan loss menurun hingga 2,24%, sementara akurasi validasi stabil di sekitar 95%. Epoch terbaik tercatat pada epoch ke-20 dengan akurasi 100% dan loss 2,24% untuk training, serta loss validasi 12,04%. Confusion matrix menunjukkan 13 prediksi benar untuk buah matang dan 16 untuk buah mentah, dengan 3 false negatives dan tanpa false positives. Model memiliki akurasi 90,63%, presisi 100%, dan recall 81,25% Kata kunci— AI, CNN, Buah Sawit, Klasifikasi
References
[1] S. Tarmadja, M. Vernando, and T. N. B. Santosa, “Kehilangan Hasil
Dalam Proses Panen Kelapa Sawit,” Pros. Semin. Nas. Instiper, vol.
1, no. 1, pp. 79–84, 2022, doi: 10.55180/pro.v1i1.245.
[2] S. A. Ghazali, H. Selamat, Z. Omar, and R. Yusof, “Image Analysis
Techniques for Ripeness Detection of Palm Oil Fresh Fruit
Bunches,” Elektr.J. Electr. Eng., vol. 18, no. 3, pp. 57–62, 2019,
doi:10.11113/elektrika.v18n3.192.
[3] W. I. W. Ishak and R. M. Hudzari, “Image based modeling for oil
palm fruitmaturity prediction,” J. Food, Agric. Environ., vol. 8, no.
2, pp. 469– 476, 2010.
[4] W. E. Sari, M. Muslimin, A. Franz, and P. Sugiartawan, “Deteksi
Tingkat Kematangan Tandan Buah Segar Kelapa Sawit dengan
Algoritme K-Means,”SINTECH (Science Inf. Technol. J., vol. 5, no.
2, pp. 154–164, 2022, doi: 10.31598/sintechjournal.v5i2.1146.
[5] Athallah Tsany Rakha Dzaky, “Deteksi Penyakit Virus Gemini
Pada Tanaman Cabai Menggunakan Convolutional Neural
Network,” e- Proceeding En, vol. 8, no. 2, pp. 3039–3055, 2022,
[Online]. Available: https://repository.mercubuana.ac.id/69270/
[6] I. W. Suartika E. P, “Klasifikasi Citra Menggunakan Convolutional
Neural Network (Cnn) Pada Caltech,” J. Tek. ITS, vol. 5, no. 1, p. 76,
2019,[Online].
[7] A. Y. Saleh and E. Liansitim, “Palm oil classification using deep
learning,”Sci. Inf. Technol. Lett., vol. 1, no. 1, pp. 1–8, 2020, doi:
10.31763/sitech.v1i1.1.
[8] Herman, A. Susanto, T. Wawan Cenggoro, Suharjito, and B.
Pardamean, “Oil Palm Fruit Image Ripeness Classification with
Computer Vision usingDeep Learning and Visual Attention,” J.
Telecommun. Electron. Comput. Eng., vol. 12, no. 2, pp. 21–27,
2020, [Online]. Available:
https://farm3.static.flickr.com/2337/2387965665_1d4278c6
[9] Alfredo and Suharjito, “Perbaikan Model Alexnet Untuk
Mendeteksi Kematangan Tbs Kelapa Sawit Dengan Menggunakan
Image Enhancement Dan Hyperparameter Tuning,” J. Ilm. Teknol.
dan Rekayasa, vol. 27, no. 1, pp. 56–68, 2022, doi:
10.35760/tr.2022.v27i1.5973.
[10] E. F. Himmah, M. Widyaningsih, and M. Maysaroh, “Identifikasi
Kematangan Buah Kelapa Sawit Berdasarkan Warna RGB Dan
HSV Menggunakan Metode K-Means Clustering,” J. Sains dan
Inform., vol. 6, no. 2, pp. 193–202, 2020, doi:
10.34128/jsi.v6i2.242.
[11] Prateek Dutta, “Palm oil classification using deep learning,” Int.
Jpournal Adv. Res. Ideas Innov. Technol., vol. 1, no. 1, pp. 1–8,
2020, doi: 10.31763/sitech.v1i1.1.
[12] F. Akmal, F. Ramdani, and A. Pinandito, “Sistem Informasi
Pengelolaan Perkebunan Kelapa Sawit Berbasis Web GIS,” J.
Pengemb. Teknol. Inf. danIlmu Komput., vol. 2, no. 5, pp. 1894–
1901, 2018.
[13] R. A. Citra Saragih, Ratya Anindita, “Analisis Komoditas Kelapa
Sawit (Elaeis Guineensis Jaqo) Di Indonesia,” J. Ekon. Pertan. dan
Agribisni, vol.6, no. 2, pp. 478–486, 2022.
[14] Siti Rahmah Danur Amiril, “Implementasi Algoritma
Convolutional Neural Network Pada Klasifikasi Penyakit Padi
Melalui Citra Daun,” Universitas Islam Indonesia, 2020.
[15] S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada
IdentifikasiJenis Tumbuhan Berdasarkan Citra Daun Menggunakan
Convolutional Neural Network,” vol. 3, no. 2, pp. 49–56, 2018, doi:
doi.org/10.32528/justindo.v3i2.2254.
[16] S. Faisal, T. F. Butarbutar, and P. Sirait, “Implementasi CNN dan
SVM untuk Identifikasi Penyakit Tomat via Daun,” J. SIFO
Mikrosil, vol. 20, no. 2, pp. 117–134, 2019, doi:
doi.org/10.55601/jsm.v20i2.670.
[17] U. K. Enie Yuliani, Afifah Nur Aini, “Perbandingan Jumlah Epoch
Dan Steps Per Epoch Pada Convolutional Neural Network Untuk
MeningkatkanAkurasi Dalam Klasifikasi Gambar,” J. Inf. Politek.
Indonusa Surakarta, vol.5, no. 3, pp. 2–6, 2019.
[18] Savira Anggita Sabrina & Wikky Fawwaz Al Maki, “Klasifikasi
Penyakit pada Tanaman Kopi Robusta Berdasarkan Citra Daun
Menggunakan Convolutional Neural Network,” e-Proceeding Eng.,
vol. 9, no. 3, pp. 1919–1927, 2022.
[19] A. Asrafil, A. Paliwang, R. D. Septian, M. Cahyanti, and R.
Swedia, “Klasifikasi Penyakit Tanaman Apel Dari Citra Daun
Dengan ConvolutionalNeural Network,” Sebatik, vol. 24, no. 2, pp.
207–212, 2020.
[20] W. Rawat and Z. Wang, “Deep Convolutional Neural Networks for
Image Classification : A Comprehensive Review Deep
Convolutional Neural Networks for Image Classification : A
Comprehensive Review,” Neural Comput., vol. 12, no. 7, pp. 2354–
2449, 2017, doi: 10.1162/NECO_a_00990.
[21] F. A. Ridho Aji Pangestu, Basuki Rahmat, “Implementasi algoritma
cnn untuk klasifikasi citra lahan dan perhitungan luas,” J. Inform.
dan Sist. Inf.,vol. 1, no. 1, pp. 166–174, 2020.
[22] Torangto Yos P. Situngkir, “Klasifikasi Penyakit Pada Daun
Kentang Menggunakan Pengolahan Citra Dengan Metode
Convolutional Neural Network,” Universitas Pembangunan
Nasional Veteran Yogyakarta, 2022.
[23] Cahya Bagus Sanjaya and Muhammad Imron Rosadi, “Klasifikasi
buah mangga berdasarkan tingkat kematangan menggunakan least-
squares support vector machine,” Explor. IT, vol. 10, no. 2, pp. 1–
13, 2018.
[24] M. S. Wibawa, “Pengaruh Fungsi Aktivasi, Optimisasi dan Jumlah
Epoch Terhadap Performa Jaringan Saraf Tiruan,” J. Sist. dan
Inform., vol. 11, no. 1, pp. 167–174, 2018, doi:
10.13140/RG.2.2.21139.94241.
[25] M. Raihan, R. Allaam, and A. T. Wibowo, “Klasifikasi Genus
Tanaman Anggrek Menggunakan Metode Convolutional Neural
Network (CNN),” e-Prceeding Eng., vol. 8, no. 2, pp. 1–1153,
2021.
[26] F. E. Ramadhan, “Penerapan Image Classification Dengan PreTrained Model Mobilenet Dalam Client-Side Machine Learning,”
2020.
[27] C. T. Emanuella, M. Musfita, dan A. Lawi, “Klasifikasi Suara
Kucing dan Anjing Menggunakan Convolutional Neural Network,”
Konferensi Nasional Ilmu Komputer (KONIK), vol. 1, no. 1, pp.
321–327, 2021.
