Klasifikasi Non-Destruktif Kemanisan Semangka Manohara Menggunakan Transfer Learning VGG-16
DOI:
https://doi.org/10.55826/81wv2s06Keywords:
Adam Optimizer, CNN, Klasifikasi Kemanisan Semangka, VGG-16Abstract
Semangka (Citrullus lanatus) merupakan buah tropis populer di Indonesia karena rasanya yang manis dan kandungan airnya yang tinggi. Penentuan tingkat kemanisan masih banyak dilakukan secara destruktif dengan refraktometer, sehingga kurang efisien. Penelitian ini bertujuan mengklasifikasikan tingkat kemanisan semangka Manohara secara non-destruktif berdasarkan ciri fisik luar menggunakan Convolutional Neural Network (CNN) dengan arsitektur VGG-16 dan pendekatan transfer learning. Data dikumpulkan secara mandiri dan dibagi menjadi 80% data latih, 10% validasi, dan 10% uji. Model menggunakan Adam Optimizer dan Softmax sebagai classifier. Hasil terbaik diperoleh pada skenario ke-4 dengan akurasi 67,42%. Namun, model menunjukkan gejala underfitting dan kecenderungan mengklasifikasi ke satu kelas. Penelitian ini menunjukkan potensi awal penggunaan visi komputer dalam seleksi kualitas semangka secara otomatis dan non-destruktif, meskipun masih diperlukan peningkatan akurasi agar dapat diimplementasikan secara praktis di lapangan.
References
[1] Q. A’yun and F. Utaminingrum, “Rancang Bangun Deteksi Kemanisan Buah Semangka menggunakan Metode Gray Level Co-Occurrence Matrix dan Backpropagation Neural Network berbasis Raspberry Pi,” 2022. [Online]. Available: http://j-
[2] A. U. S. Ghoiri and A. N. Sugiharto, “Kajian Penampilan Semangka (Citrullus lanatus) Dari Beberapa Kombinasi Persilangan Diploid-tetraploid Study on the Performance of Watermelon (Citrullus lanatus) from Several Cross Combination of Diploid-Tetraploid,” Jurnal Produksi Tanaman, vol. 12, no. 9, pp. 403–412, 2024, doi: 10.21776/ub.protan.2024.012.09.05.
[3] Dinas Pertanian, “Produksi Tanaman Buah-buahan,” Badan Pusat Statistik. Accessed: Sep. 18, 2024. [Online]. Available: https://www.bps.go.id/indicator/55/62/1/produksi-tanaman-buah-buahan.html
[4] Kementrian Pertanian, Statistik Konsumsi Pangan Tahun 2022. 2022.
[5] M. Otang, Y. Da Rato, and S. Noni, “Preferensi Konsumen Terhadap Pembelian Buah Semangka (Citrullus Vugaris) di Kebun Praktek Fakultas Pertanian Universitas Nusa Nipa Indonesia,” Jurnal Ilmiah Wahana Pendidikan, vol. 7, no. 2, May 2021, doi: 10.5281/zenodo.4736475.
[6] M. A. Ikhsanudin, E. Setyati, and H. Junaedi, “Deteksi Tingkat Kemanisan Buah Semangka (Citrullus Lanatus) Berdasarkan Ciri Kulit Buah Dengan Menggunakan Metode CNN (Convolutional Neural Network),” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 8, no. 4, pp. 1501–1513, Dec. 2023, doi: 10.29100/jipi.v8i4.4118.
[7] B. W. Kurniadi, H. Prasetyo, G. L. Ahmad, B. Aditya Wibisono, and D. Sandya Prasvita, “Analisis Perbandingan Algoritma SVM dan CNN untuk Klasifikasi Buah,” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA) Jakarta-Indonesia, p. 1, Sep. 2021.
[8] H. F. Setyawan, B. Nugroho, and Y. V. Via, “Analisis Perbandingan Performansi Algoritma CNN dan NN Pada Buah Pir,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 6, pp. 3114–3120, Dec. 2023.
[9] B. S. E. Dwi and D. R. I. M. Setiadi, “Deteksi Tumor Otak Dengan Metode Convolutional Neural Network,” Jurnal Eksplora Informatika, vol. 13, no. 2, pp. 188–197, Mar. 2024, doi: 10.30864/eksplora.v13i2.971.
[10] A. E. Wijaya, W. Swastika, and O. H. Kelana, “Implementasi Transfer Learning Pada Convolutional Neural Network Untuk Diagnosis Covid-19 dan Pneumonia Pada Citra X-Ray,” SAINSBERTEK Jurnal Ilmiah Sains & Teknologi, vol. 2, Sep. 2021.
[11] Rismiyati and A. Luthfiarta, “VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification,” Telematika, vol. 18, p. 37, Mar. 2021, doi: 10.31315/telematika.v18i1.4025.
[12] J. Halim and A. N. Fajar, “Klasifikasi Pisang Berbasis Algoritma VGG16 Melalui Metode CNN Deep Learning,” INFORMASI (Jurnal Informatika dan Sistem Informasi), vol. 15, no. 1, May 2023.
[13] R. R. Cameron, S. R. Afriani, Z. Multazam, S. R. Yusticia, A. Febriani, and R. Saputra, “Evaluasi Frekuensi Penanaman Tanaman Semangka (Citrullus lanatus) Terhadap Keparahan Penyakit dan Produktivitas Tanaman Semangka,” J-Plantasimbiosa, vol. 5, no. 2, pp. 1–8, Nov. 2023, doi: 10.25181/jplantasimbiosa.v5i2.3299.
[14] Y. Safitri and D. S. Juwita, “Pengabdian Kepada Masyarakat Tentang Diversifikasi Buah Semangka Di Desa Ridan Permai Kecamatan Bangkinang Kota Kabupaten Kampar Tahun 2021,” Community Development Journal : Jurnal Pengabdian Masyarakat, vol. 3, no. 3, pp. 2193–2195, Nov. 2022, doi: 10.31004/cdj.v3i3.13266.
[15] B. P. dan I. B. T. A. DJBC, Nilai Brix Untuk Menentukan Kualitas Pada Buah-Buahan. Indonesia Customs And Excise Laboratory Bulletin. Jakarta, 2016.
[16] Anhar and R. A. Putra, “Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN),” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 2, p. 466, Apr. 2023, doi: 10.26760/elkomika.v11i2.466.
[17] M. D. Darojat, Y. A. Sari, and R. C. Wihandika, “Convolutional Neural Network untuk Klasifikasi Citra Makanan Khas Indonesia,” vol. 5, no. 11, pp. 4764–4769, 2021, [Online]. Available: http://j-ptiik.ub.ac.id
[18] K. Azmi, S. Defit, and S. Sumijan, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” JURNAL UNITEK, vol. 16, no. 1, pp. 28–40, Jun. 2023, doi: 10.52072/unitek.v16i1.504.
[19] I. Firmansyah and B. H. Hayadi, “Komparasi Fungsi Aktivasi Relu Dan Tanh Pada Multilayer Perceptron,” JIKO (Jurnal Informatika dan Komputer), vol. 6, no. 2, p. 200, Sep. 2022, doi: 10.26798/jiko.v6i2.600.
[20] K. Simonyan and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” in ICLR 2015, Sep. 2014, pp. 1–14. [Online]. Available: http://arxiv.org/abs/1409.1556
[21] A. Saputro, S. Mu’min, Moch. Lutfi, and H. Putri, “Deep Transfer Learning Dengan Model Arsitektur VGG16 Untuk Klasifikasi Jenis Varietas Tanaman Lengkeng Berdasarkan Citra Daun,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 6, no. 2, pp. 609–614, Sep. 2022, doi: 10.36040/jati.v6i2.5456.
[22] N. K. Pratama and F. T. Anggraeny, “Deteksi Lampu Lalu Lintas Dan Zebra Cross Menggunakan Mobilenetv2 Single Shot Detector,” Jurnal Informatika Kaputama (JIK), vol. 7, no. 2, pp. 225–232, Jul. 2023.
[23] lip Supiyani and N. Arifin, “Identifikasi Nomor Rumah Pada Citra Digital Menggunakan Neural Network,” METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 1, pp. 18–21, Mar. 2022, doi: 10.46880/mtk.v8i1.921.
[24] W. M. Pradnya D and A. P. Kusumaningtyas, “Analisis Pengaruh Data Augmentasi Pada Klasifikasi Bumbu Dapur Menggunakan Convolutional Neural Network,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 4, pp. 2022–2031, Oct. 2022, doi: 10.30865/mib.v6i4.4201.
[25] D. Husen, “Evaluasi Teknik Augmentasi Data Untuk Klasifikasi Tumor Otak Menggunakan Cnn Pada Citra Mri,” TEKNIMEDIA: Teknologi Informasi dan Multimedia, vol. 5, no. 2, pp. 219–228, Dec. 2024, doi: 10.46764/teknimedia.v5i2.220.
[26] N. M. Surbakti et al., “Penggunaan Bahasa Pemrograman Python dalam Pembelajaran Kalkulus Fungsi Dua Variabel,” Algoritma : Jurnal Matematika, Ilmu pengetahuan Alam, Kebumian dan Angkasa, vol. 2, no. 3, pp. 98–107, May 2024, doi: 10.62383/algoritma.v2i3.67.
[27] R. F. Muharram and A. Suryadi, “Implementasi Artificial Intelligence Untuk Deteksi Masker Secara Realtime Dengan Tensorflow Dan Ssdmobilenet Berbasis Python,” Jurnal Widya, vol. 3, no. 2, pp. 281–290, Oct. 2022, [Online]. Available: https://jurnal.amikwidyaloka.ac.id/index.php/awl
[28] M. Chandra and E. Pramana, “Image Recognition Menggunakan Metode Cosine Distance untuk Aplikasi Penanganan Food Waste,” Journal of Intelligent System and Computation, vol. 4, no. 2, pp. 77–84, Oct. 2022, doi: 10.52985/insyst.v4i2.250.
[29] P. A. Setyawan, A. Danuarta, F. N. Alam, and T. Agustin, “Analisis Perbandingan Optimizer Pada Model Convolutional Neural Network Untuk Deteksi Kanker Paru-paru,” SEMINAR NASIONAL AMIKOM SURAKARTA (SEMNASA), vol. 2, pp. 320–330, Dec. 2024.
[30] D. Kurniadi, M. R. Shidiq, and A. Mulyani, “Perbandingan Penggunaan Optimizer dalam Klasifikasi Sel Darah Putih Menggunakan Convolutional Neural Network,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 14, no. 1, pp. 77–86, Mar. 2025, doi: 10.22146/jnteti.v14i1.17162.
[31] N. S. Mahajaya, P. D. W. Ayu, and R. R. Huizen, “Pengaruh Optimizer Adam, AdamW, SGD, dan LAMB terhadap Model Vision Transformer pada Klasifikasi Penyakit Paru-paru,” Prosiding Seminar Hasil Penelitian Informatika dan Komputer (SPINTER), vol. 1, no. 2, pp. 818–823, Apr. 2024, [Online]. Available: https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database,
[32] L. Qadrini, A. Sepperwali, and A. Aina, “Decision Tree Dan Adaboost Pada Klasifikasi Penerima Program Bantuan Sosial,” Jurnal Inovasi Penelitian, vol. 2, no. 7, pp. 1959–1966, 2021.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Dicky Ryanto Fernandes, Nur Rachmat
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
