Vol. 9 No. 3 (2025), Articles
Vol. 9 No. 3 (2025)

Pendeteksi Gambar Jeruk Berdasarkan Kualitas Visual Menggunakan Arsitektur VGG-16Pada Kategori Segar dan Busuk

Articles
Published 2025-07-10
Inna Fatahna
Universitas Nusantara PGRI Kediri
Danar Putra Pamungkas
Universitas Nusantara PGRI Kediri
Danang Wahyu Widodo
Universitas Nusantara PGRI Kediri
PDF

Keywords

Image Classification
Citrus Quality
Data Augmentation
Transfer Learning
VGG-16

How to Cite

Pendeteksi Gambar Jeruk Berdasarkan Kualitas Visual Menggunakan Arsitektur VGG-16Pada Kategori Segar dan Busuk. (2025). Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 9(3), 1979-1988. https://doi.org/10.29407/pb3m4547
ACM ACS APA ABNT Chicago Harvard IEEE MLA Turabian Vancouver AMA

Download Citation

Endnote/Zotero/Mendeley (RIS) BibTeX

Abstract

Kualitas jeruk sangat memengaruhi nilai jual dan kepuasan konsumen, namun metode pemeriksaan manual sering kali lambat dan subjektif. Penelitian ini merancang sistem klasifikasi mutu jeruk menjadi tiga kelas, yaitu segar, mentah, dan busuk, menggunakan arsitektur VGG-16 yang dimodifikasi dengan pendekatan transfer learning dan teknik augmentasi data. Dataset berisi 1.280 citra jeruk yang telah melalui tahap pra-pemrosesan seperti perubahan ukuran, normalisasi, dan augmentasi visual. Model dilatih menggunakan algoritma Adam dan dievaluasi dengan metrik akurasi, presisi, recall, serta F1-score. Hasil menunjukkan akurasi hingga 97% tanpa overfitting. Sistem juga diimplementasikan dalam bentuk aplikasi berbasis web untuk mendukung inspeksi mutu secara real-time. Penelitian ini menunjukkan efektivitas penggunaan deep learning kualitas hortikultura secara cepat dan objektif.

PDF

References

[1] M. T. Informatika, U. Putra, and I. Yptk, “Klasifikasi Citra Dalam Identifikasi Jeruk Nipis dan Jeruk Mandarin Menggunakan Convolutional Neural Network ( CNN ) Dan Optimalisasi Median Filter,” vol. 6, no. 1, pp. 56–64, 2025.

[2] B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, and R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, p. 259, 2021, doi: 10.35314/isi.v6i2.2104.

[3] T. Sistem, “Informasi,” vol. 5, no. 4, pp. 213–218, 2024, doi: 10.62527/jitsi.5.

[4] R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” Insect (Informatics Secur. J. Tek. Inform., vol. 8, no. 2, pp. 143–151, 2023.

[5] M. S. Hawibowo and I. Muhimmmah, “Aplikasi Pendeteksi Tingkat Kematangan Pepaya menggunakan Metode Convolutional Neural Network (CNN) Berbasis Android,” J. Edukasi dan Penelit. Inform., vol. 10, no. 1, p. 162, 2024, doi: 10.26418/jp.v10i1.77819.

[6] T. Anita and R. Ramadhani, “Analisis Perbandingan VGG-16 dan ResNet50 untuk Klasifikasi Multilabel Gambar Kerbau Toraja : Pendekatan Deep Learning,” vol. 22, no. 2, pp. 71–81, 2024.

[7] D. Rika Widianita, “IMPLEMENTASI VISUAL GEOMETRY GROUP (VGG19) UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT MATA KATARAK,” AT-TAWASSUTH J. Ekon. Islam, vol. VIII, no. I, pp. 1–19, 2023.

[8] E. S. Giamiko and E. L. Tjiong, “Pengembangan Aplikasi Pengenalan Tulisan Tangan Abjad dan Angka Berbasis Convolutional Neural Network,” vol. 11, no. 02, pp. 22–30, 2024.

[9] I. Elzandy et al., “KLASIFIKASI VARIETAS ANGGUR BERDASARKAN CITRA DAUN MENGGUNAKAN VGG16-XGBOOST,” vol. 9, no. 3, pp. 5483–5491, 2025.

[10] J. Christian and S. I. Al Idrus, “Introduction to Citrus Fruit Ripens Using the Deep Learning Convolutional Neural Network (CNN) Learning Method,” Asian J. Appl. Educ., vol. 2, no. 3, pp. 459–470, 2023, doi: 10.55927/ajae.v2i3.5003.

[11] I. Syaputra, R. Syafitri Lubis, and H. Cipta, “Pengklasifikasian Kualitas Buah Jeruk Dengan Menerapkan Metode Fuzzy K-Nearest Neighbor,” J. Marit. Educ., vol. 4, no. 1, pp. 368–371, 2022, doi: 10.54196/jme.v4i1.72.

[12] S. A. E. ALBAKIA and R. A. Saputra, “Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16,” J. Inform. Polinema, vol. 9, no. 4, pp. 451–460, 2023, doi: 10.33795/jip.v9i4.1420.

[13] Y. A. Suwitono and F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” J. Komtika (Komputasi dan Inform., vol. 6, no. 2, pp. 109–121, 2022, doi: 10.31603/komtika.v6i2.8054.

[14] D. D. Kurniawati, R. Wulanningrum, and ..., “Perancangan Sistem Deteksi Penyakit Daun Jeruk Siam,” Pros. SEMNAS …, vol. 7, pp. 1241–1247, 2023, [Online]. Available: https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/3564

[15] J. Feriawan and D. Swanjaya, “Perbandingan Arsitektur Visual Geometry Group dan MobileNet Pada Pengenalan Jenis Kayu,” Pros. SEMNAS INOTEK (Seminar Nas. Inov. Teknol., vol. 4, no. 3, pp. 185–190, 2020, [Online]. Available: https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/84

[16] A. K. Ulandari, G. K. Ramdhani, W. Wahyuningsih, M. N. Arwansyuri, and F. Bimantoro, “Klasifikasi Jeruk Segar dan Busuk Melalui GLCM dan HSV dengan Menggunakan Metode ANN,” Semin. Nas. Teknol. Sains, vol. 3, no. 1, pp. 97–102, 2024, doi: 10.29407/stains.v3i1.4358.

[17] Afis Julianto, Andi Sunyoto, and Ferry Wahyu Wibowo, “Optimasi Hyperparameter Convolutional Neural Network Untuk Klasifikasi Penyakit Tanaman Padi,” Tek. Teknol. Inf. dan Multimed., vol. 3, no. 2, pp. 98–105, 2022, doi: 10.46764/teknimedia.v3i2.77.

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Copyright (c) 2025 Inna Fatahna, Danar Putra Pamungkas, Danang Wahyu Widodo