Deteksi Kualitas Pisang Kepok Berbasis Citra Digital Menggunakan CNN dengan Ruang Warna HSV
DOI:
https://doi.org/10.29407/j721p921Abstract
Pisang kepok (Musa acuminata × balbisiana) merupakan komoditas hortikultura bernilai ekonomi tinggi yang kualitasnya masih dinilai secara manual dan subjektif. Penelitian ini mengembangkan sistem deteksi kualitas pisang kepok berbasis citra digital menggunakan metode Convolutional Neural Network (CNN) dengan ruang warna HSV (Hue, Saturation, Value). Dataset terdiri dari 406 citra pisang kepok yang dibagi ke dalam tiga kelas: Grade A (Matang), Grade B (Terlalu Matang), dan Grade C (Belum Matang). Model CNN dibangun dengan tiga lapisan konvolusi (filter 16, 32, 64), satu lapisan Dense 64 neuron, dan Dropout 0,4, kemudian dilatih menggunakan optimizer Adam dengan learning rate 0,0001 dan ukuran input 224×224 piksel. Preprocessing mencakup konversi ruang warna BGR ke HSV, perbaikan saturasi dengan histogram equalization, normalisasi piksel, dan augmentasi data. Proses pelatihan berhenti pada epoch ke-18 berkat mekanisme Early Stopping, dengan bobot terbaik diperoleh pada epoch ke-13. Hasil evaluasi menunjukkan bahwa model CNN-HSV mencapai akurasi sebesar 92,68% dan loss 0,2104 pada data pengujian. Penelitian ini membuktikan bahwa ruang warna HSV efektif untuk deteksi kualitas pisang kepok berbasis citra digital karena kemampuannya memisahkan informasi kromatik dari luminansi sehingga lebih stabil terhadap variasi pencahayaan
Keywords:
Augmentasi Data, Citra Digital, CNN, Early Stopping, HSV, Pisang Kepok##plugins.themes.default.displayStats.downloads##
References
[1] A. Upadhyay, S. Singh, dan S. Kanojiya, "Segregation of Ripe and Raw Bananas Using
Convolutional Neural Network," Procedia Computer Science, Elsevier B.V., 2022, hal.
461–468. doi: 10.1016/j.procs.2023.01.028.
[2] Z. Hakim, S. Rahayu, dan K. Irawati, "Klasifikasi Tingkat Kematangan Buah Pisang
Kepok Menggunakan Algoritma Naive Bayes," vol. 4, no. 1, hal. 8–11, 2022.
[3] D. M. Sari dan M. Rafli, "Klasifikasi Kematangan Buah Pisang Kepok Berdasarkan Citra
HSV dengan K-Nearest Neighbors," Jurnal Teknologi Informasi, 2021.
[4] W. S. Pambudi, "Rancang Bangun Alat Pemilahan Kualitas Kematangan Buah Naga
Menggunakan Teknik Image Processing dengan Metode HSV," vol. 1, 2015.
[5] H. S. Gill, O. I. Khalaf, Y. Alotaibi, S. Alghamdi, dan F. Alassery, "Multi-Model CNNRNN-LSTM Based Fruit Recognition and Classification," Intell. Autom. Soft Comput.,
vol. 33, no. 1, hal. 637–650, 2022. doi: 10.32604/iasc.2022.022589.
[6] H. S. Gill dan B. S. Khehra, "An integrated approach using CNN-RNN-LSTM for
classification of fruit images," Materials Today: Proceedings, Elsevier Ltd, 2021, hal.
591–595. doi: 10.1016/j.matpr.2021.06.016.
[7] I. K. Khairullah et al., "Deteksi Citra Digital Menggunakan Algoritma CNN dengan
Model," vol. 2, no. 2, 2020.
[8] M. A. Akbar, N. Isnain, dan N. T. Astuti, "Aplikasi Pendeteksi Jenis dan Kematangan
Buah Pisang Menggunakan Metode Convolutional Neural Network Berbasis Android,"
vol. 2, no. 1, hal. 237–246, 2026.
[9] S. P. Adenugraha, V. Arinal, dan D. I. Mulyana, "Klasifikasi Kematangan Buah Pisang
Ambon Menggunakan Metode KNN dan PCA Berdasarkan Citra RGB dan HSV," J.
MEDIA Inform. BUDIDARMA, vol. 6, no. 1, hal. 9, Jan. 2022. doi:
10.30865/mib.v6i1.3287.
[10] S. Napitu, R. P. Panjaitan, P. A. Nulhakim, dan M. K. Lubis, "Klasifikasi Buah Jeruk
Segar dan Busuk Berdasarkan RGB dan K-Nearest," vol. 9, hal. 214–221, 2023.
[11] A. Hadinegoro dan D. A. Rizaldhi, "Pengaruh HSV Pada Pengolahan Citra Untuk
Kematangan Buah Cabai," vol. 3, no. 3, hal. 155–163, 2021. doi: 10.47065/bits.v3i3.1020.
[12] B. Citra, R. E. D. Green, dan B. Rgb, "Penerapan Algoritma Deep Learning
Convolutional Neural Network dalam Menentukan Kematangan Buah Jeruk Manis," vol.
10, no. 1, hal. 59–66, 2023. doi: 10.25126/jtiik.2023105695.
[13] C. Sintiya et al., "Pengembangan Aplikasi Deteksi Kematangan Buah Pisang Berbasis
Web Menggunakan Model CNN-LSTM," J. Sifo Mikroskil, vol. 26, no. 1, hal. 1–20, Apr.
2025. doi: 10.55601/jsm.v26i1.1500.
[14] M. B. Sulthan, I. Wahyudi, dan T. Informasi, "Klasifikasi Kematangan Buah Tomat
Menggunakan Fitur RGB dan HSI Berbasis Backpropagation," vol. 4, no. 1, hal. 84–95,
2023.
[15] N. Arifin dan I. S. Areni, "Klasifikasi Kematangan Stroberi Berbasis Segmentasi Warna
dengan Metode HSV," vol. 23, no. 2, hal. 113–116, 2019. doi: 10.25042/jpe.112019.03.
[16] F. Liantoni, N. Pradana, T. Prakisya, dan Y. Hafid, "Peningkatan HSV dan Haar-Like
Feature pada Aplikasi Identifikasi Kematangan Buah Tomat Berbasis Android," vol. 09,
no. 1, hal. 70–74, 2021. doi: 10.26418/justin.v9i1.42469.
[17] A. Bagaskara dan M. Suryanegara, "Evaluation of VGG-16 and VGG-19 Deep Learning
Architecture for Classifying Dementia People," hal. 14–17, 2021
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
