Analisis Kinerja CNN Arsitektur MobileNetV2 untuk Klasifikasi Jenis Buah Jeruk

Authors

  • Deys Aishara Angelina Angelina Universitas Nusantara PGRI Kediri Indonesia
  • Umi Mahdiyah Universitas Nusantara PGRI Kediri Indonesia
  • Wahyu Cahyo Utomo Universitas Nusantara PGRI Kediri Indonesia

DOI:

https://doi.org/10.29407/9j7nnh72

Abstract

Abstrak—Buah jeruk merupakan komoditas hortikultura yang memiliki berbagai jenis dengan karakteristik visual yang relatif mirip sehingga proses identifikasi secara manual sering menimbulkan kesalahan. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur MobileNetV2 dalam melakukan klasifikasi jenis buah jeruk menggunakan metode Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 892 citra yang terbagi ke dalam delapan kelas, yaitu jeruk nipis, jeruk iris, jeruk keprok, jeruk kunci, jeruk limau, jeruk mandarin, jeruk purut, dan jeruk siem. Data dibagi menggunakan rasio 80% data pelatihan, 10% data validasi, dan 10% data pengujian. Model MobileNetV2 memanfaatkan bobot awal ImageNet serta menerapkan teknik transfer learning dan fine-tuning. Hasil pengujian menunjukkan model memperoleh akurasi sebesar 93,10%, dengan nilai precision, recall, dan F1-score model masing-masing sebesar 94%, 93%, dan 93%. Hasil penelitian menunjukkan bahwa MobileNetV2 mampu mengklasifikasikan berbagai jenis buah jeruk dengan performa yang baik dan dapat digunakan sebagai alternatif dalam sistem identifikasi buah berbasis citra digital.

Keywords:

Kata Kunci—CNN, klasifikasi citra, MobileNetV2, transfer learning, buah jeruk

##plugins.themes.default.displayStats.downloads##

##plugins.themes.default.displayStats.noStats##

References

[1] S. Khalid, R. H. Ali, and H. Bin Khalid, "Fruit and Vegetable Recognition Using MobileNetV2: An Image Classification Approach," Engineering Proceedings, vol. 87, no. 1, pp. 1-8, 2025, doi: 10.3390/engproc2025087108.

[2] U. Salamah, A. Ratnasari, and S. Rahayu, "Automated Fruit Classification Menggunakan Model VGG16 dan MobileNetV2," JSAI (Journal of Science and Applied Informatics), vol. 5, no. 3, pp. 176-181, 2022, doi: 10.36085/jsai.v5i3.3615.

[3] S. Ceren, "Sistem Klasifikasi Penyakit pada Buah Jeruk Menggunakan Convolutional Neural Network," Jurnal Teknologi Informatika, vol. 5, pp. 226-234, 2026.

[4] T. Dwi Antoko, M. Azhar Ridani, and A. Eko Minarno, "Klasifikasi Buah Zaitun Menggunakan Convolution Neural Network," Komputika: Jurnal Sistem Komputer, vol. 10, no. 2, pp. 119-126, 2021, doi: 10.34010/komputika.v10i2.4475.

[5] B. Karnadi and T. Handhayani, "Klasifikasi Jenis Buah dengan Menggunakan Metode MobileNetv2 dan Inceptionv3," Jurnal Eksplora Informatika, vol. 14, no. 1, pp. 35-42, 2024, doi: 10.30864/eksplora.v14i1.1067.

[6] A. D. Wicaksono, "Klasifikasi Tingkat Kematangan, Kualitas dan Jenis Buah Pisang Berdasarkan Ciri Warna dan Bentuk Menggunakan Artificial Neural Networks," Jurnal Teknologi Informasi Indonesia, vol. 7, no. 2, pp. 91-98, 2023, doi: 10.30869/jtii.v7i2.955.

[7] T. Sistem, "Identifikasi Jenis Jeruk Nipis dan Jeruk Mandarin Menggunakan Convolutional Neural Network," Jurnal Informasi dan Teknologi Sistem, vol. 5, no. 4, pp. 213-218, 2024, doi: 10.62527/jitsi.5.

[8] F. A. Arafat, D. P. Pamungkas, and P. Kasih, "Pemodelan Klasifikasi Penyakit Daun Tembakau Dengan Arsitektur MobileNetV2," Inotek, vol. 9, 2025.

[9] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L. C. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4510-4520, 2018, doi: 10.1109/CVPR.2018.00474.

[10] K. P. Siwilopo and H. Marcos, "Membandingkan Klasifikasi Pada Buah Jeruk Menggunakan Metode Convolutional Neural Network Dan K-Nearest Neighbor," Komputa: Jurnal Ilmiah Komputer dan Informatika, vol. 12, no. 1, 2023, doi: 10.34010/komputa.v12i1.9068.

Downloads

Published

2026-07-20

Issue

Vol. 10 No. 1 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026

Section

Articles

License

Creative Commons 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:

  1. Copyright on any article is retained by the author(s).
  2. 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.
  3. 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.
  4. 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.
  5. The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License

How to Cite

Analisis Kinerja CNN Arsitektur MobileNetV2 untuk Klasifikasi Jenis Buah Jeruk. (2026). Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 10(1), 279-287. https://doi.org/10.29407/9j7nnh72