Keywords
CNN
Klasifikasi
Pisang
VGG19
How to Cite
Abstract
Klasifikasi tingkat kematangan buah pisang secara manual masih umum dilakukan, yang sering kali menyebabkan ketidakkonsistenan serta memerlukan waktu dan tenaga yang besar. Untuk mengatasi permasalahan ini, penelitian ini mengusulkan penggunaan metode Convolutional Neural Network (CNN) dengan arsitektur VGG19 yang dikenal mampu mengekstraksi fitur visual secara mendalam. Dataset yang digunakan terdiri dari 5.616 gambar pisang yang diklasifikasikan ke dalam empat kategori: mentah, matang, terlalu matang, dan busuk. Teknik augmentasi data dan pendekatan transfer learning diterapkan untuk meningkatkan performa model. Hasil pelatihan menunjukkan akurasi validasi sebesar 98% dan nilai loss kurang dari 0,07 setelah 25 epoch. Model menunjukkan kemampuan generalisasi yang baik tanpa tanda-tanda overfitting. Temuan ini mengindikasikan bahwa pendekatan CNN VGG19 efektif untuk pengembangan sistem klasifikasi kematangan pisang secara otomatis
References
[1] M. P. S. Staf et al., “Potensi Pengembangan Tanaman Pisang : Tinjauan Syarat Tumbuh
dan Teknik Budidaya Pisang Dengan Metode Bit,” Jurnal Ilmiah Agrosaint, vol. 12, no.
2, 2021.
[2] P. Adi Nugroho, I. Fenriana, and R. Arijanto, “IMPLEMENTASI DEEP LEARNING
MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) PADA
EKSPRESI MANUSIA,” JURNAL ALGOR, vol. 2, no. 1, 2020, [Online]. Available:
https://jurnal.buddhidharma.ac.id/index.php/algor/index
[3] I. Afandy, B. N. Ahmad, and M. R. Amartharizqi, “Klasifikasi Kematangan Sawit
Menggunakan Metode Convolutional Neural Network (CNN) Dengan Transfer Learning
Xception,” Jurnal Ilmiah Teknologi Informasi dan Robotika, vol. 6, no. 2, pp. 88–98, Dec.
2024, doi: 10.33005/jifti.v6i2.158.
[4] U. UNGKAWA and G. AL HAKIM, “Klasifikasi Warna pada Kematangan Buah Kopi
Kuning menggunakan Metode CNN Inception V3,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 3, p. 731, Jul. 2023,
doi: 10.26760/elkomika.v11i3.731.
[5] S. A. Damayanti, A. Arkadia, and D. S. Prasvita, “Klasifikasi Buah Mangga Badami
Untuk Menentukan Tingkat Kematangan dengan Metode CNN,” in Prosiding Seminar
Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya, 2021, pp. 158–165.
[6] N. P. Sutrisna et al., “Deteksi Tingkat Kematangan Buah Pepaya menggunakan Model
Convolutional Neural Network,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11,
no. 3, pp. 569–578, Jul. 2024, doi: 10.25126/jtiik.938119.
[7] F. A. Haq, M. Kurniawan, M. A. Wicaksono, and P. S. Alala, “Klasifikasi Tingkat
Kematangan Buah Pisang Menggunakan Metode Cnn Arsitektur Vgg19,” Jurnal Tika, vol.
9, no. 2, pp. 131–136, 2024.
[8] D. Gunawan and H. Setiawan, “Convolutional Neural Network dalam Analisis Citra
Medis,” 2022.
[9] A. L. Sigit Guntoro, E. Julianto, and D. Budiyanto, “Pengenalan Ekspresi Wajah
Menggunakan Convolutional Neural Network.”
[10] B. Jamshidi and M. Rostamy-Malkhalifeh, “Using VGG19 Transfer Learning to Diagnose
and Classify Brain Tumors Based on CNN, and Predict with Deep Learning-Based ANN
Transfer Learning via MR Images,” SSRN Electronic Journal, 2023, doi:
10.2139/ssrn.4624936.
[11] V. Sudha and T. R. Ganeshbabu, “A convolutional neural network classifier VGG-19
architecture for lesion detection and grading in diabetic retinopathy based on deep
learning,” Computers, Materials and Continua, vol. 66, no. 1, pp. 827–842, 2021, doi:
10.32604/cmc.2020.012008.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Gilang Dwi Cahyo, Risa Helilintar, Intan Nur Farida