Pengolahan Citra Kematangan Pisang Menggunakan Convolutional Neural Network VGG19

Authors

  • Gilang Dwi Cahyo Universitas Nusantara PGRI Kediri Indonesia
  • Risa Helilintar Universitas Nusantara PGRI Kediri Indonesia
  • Intan Nur Farida Universitas Nusantara PGRI Kediri Indonesia

DOI:

https://doi.org/10.29407/d079q671

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

Keywords:

Akurasi, CNN, Klasifikasi, Pisang, VGG19

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

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

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.

Downloads

Published

2025-07-10

Issue

Vol. 9 No. 2 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025

Section

Articles

License

Copyright (c) 2025 Gilang Dwi Cahyo, Risa Helilintar, Intan Nur Farida

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

Pengolahan Citra Kematangan Pisang Menggunakan Convolutional Neural Network VGG19. (2025). Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 9(2), 1507-1515. https://doi.org/10.29407/d079q671