Penerapan MobileNetV2 untuk Klasifikasi Kondisi Buah Alpukat Mentega
DOI:
https://doi.org/10.29407/bp5fen81Abstract
Persea Americana Mill (Buah Alpukat Mentega) adalah salah satu jenis buah yang disukai dengan ciri khas daging tebal, lembut serta memiliki nilai ekonomi yang tinggi. Kelayakan buah alpukat mentega sangat berdampak pada harga jual dan pendapatan petani. Penyortiran yang dilakukan secara manual oleh petani sering kali tidak akurat sehingga mampu meningkatkan potensi kesalahan klasifikasi serta kerugian bagi para petani. Penelitian ini menggunakan arsitektur dari Convolutional Neural Network (CNN) yaitu MobileNetV2 untuk mengembangkan suatu sistem klasifikasi kelayakan buah alpukat mentega berdasarkan kondisi dan tampilan kulit buah pada citra. Model MobileNetV2 dilatih menggunakan citra alpukat yang telah diproses dan diklasifikasikan ke dalam tiga kelas, yaitu alpukat layak, alpukat busuk dan alpukat hama. Hasil klasifikasi menunjukan akurasi 98% epoch 10 batch size 32. Ini membuktikan bahwa arsitektur MobileNetV2 memiliki potensi tinggi untuk mengklasifikasikan kondisi buah alpukat mentega secara optimal sehingga mampu menekan kerugian petani akibat kesalahan klasifikasi serta dapat meningkatkan efisiensi dan kualitas hasil panen buah alpukat mentega.
Keywords:
MobileNetV2, Convolutional Neural Network , Klasifikasi##plugins.themes.default.displayStats.downloads##
References
[1] E. A. Verti, E. D. Mustikarini, and T. Lestari, “Diversity Of Avocado Germplasm (Persea americana) In Bangka Island Based On Morphological Character,” Semin. Nas. Penelit. dan Pengabdi. pada Masy., vol. 1, pp. 33–38, 2021.
[2] A. Syarif and A. Ramadhanu, “BERDASARKAN BENTUK WARNA MENGGUNAKAN METODE K-NEAREST NEIGHBO,” vol. 4307, no. 4, pp. 1578–1583, 2024.
[3] A. Hamzah, E. Susanti, and R. M. Lestari, “Klasifikasi Kematangan Buah Alpukat Mentega Berdasarkan Fitur Warna Menggunakan Support Vector Machine,” J. Innov. Futur. Technol., vol. 6, no. 1, pp. 108–120, 2024, doi: 10.47080/iftech.v6i1.3103.
[4] M. Noer Fadli Hidayat, “Klasifikasi Buah Alpukat Berdasarkan Tekstur Buah Menggunakan Metode Backpropagation Berbasis Image Processing,” J. Inform. dan Rekayasa Elektron., vol. 6, no. 2, pp. 181–188, 2023, doi: 10.36595/jire.v6i2.725.
[5] M. H. P. S. Ikhya Ulummuddin, Anggraini Puspita Sari, “KLASIFIKASI MOTIF BATIK YOGYAKARTA MENGGUNAKAN METODE GLCM DAN CNN,” vol. 6, no. 22, pp. 72–78, 2020.
[6] M. Widyaningsih and A. Harjoko, “Identifikasi Gejala Penyakit Tanaman Jeruk Melalui Pengolahan Citra,” J. Sains Komput. dan Teknol. Inf., vol. 3, no. 2, pp. 104–113, 2021, doi: 10.33084/jsakti.v3i2.2294.
[7] L. Shabrillah, R. Fatahillah, R. N. Prastyo, S. Azqia, and R. Perani, “Implementasi teknik rotasi gambar menggunakan metode affine transformation dengan python dan opencv,” J. AI dan SPK J. Artif. Intel. dan Sist. Penunjang Keputusan, vol. 2, no. 1, pp. 1–6, 2024.
[8] A. Solihin, D. I. Mulyana, and M. B. Yel, “Klasifikasi Jenis Alat Musik Tradisional Papua menggunakan Metode Transfer Learning dan Data Augmentasi,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 5, no. 2, pp. 36–44, 2022, doi: 10.47970/siskom-kb.v5i2.279.
[9] M. Fasounaki, E. B. Yüce, S. Öncül, and G. Ince, “CNN-based Text-independent Automatic Speaker Identification Using Short Utterances,” Proc. - 6th Int. Conf. Comput. Sci. Eng. UBMK 2021, vol. 01, pp. 413–418, 2021, doi: 10.1109/UBMK52708.2021.9559031.
[10] M. F. Wijayanto, D. Swanjaya, and R. Wulanningrum, “Penerapan MobileNet Architecture pada Identifikasi Foto Citra Makanan Indonesia,” Digit. Transform. Technol., vol. 4, no. 1, pp. 652–662, 2024, doi: 10.47709/digitech.v4i1.4449.
[11] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021.
[12] S. Clara, D. Laksmi Prianto, R. Al Habsi, E. Friscila Lumbantobing, and N. Chamidah, “Implementasi Seleksi Fitur Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi Penghasilan Pada Adult Income Dataset,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, vol. 2, no. 1, pp. 741–747, 2021.
[13] P. Romadloni, B. Adhi Kusuma, and W. Maulana Baihaqi, “Komparasi Metode Pembelajaran Mesin Untuk Implementasi Pengambilan Keputusan Dalam Menentukan Promosi Jabatan Karyawan,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 622–628, 2022, doi: 10.36040/jati.v6i2.5238.
[14] A. Cardova and A. Hermawan, “Implementasi Metode LSTM Untuk Mengklasifikasi Berita Palsu Pada PolitiFact,” J. Fasilkom, vol. 13, no. 3, pp. 471–479, 2023, doi: 10.37859/jf.v13i3.6175.
[15] K. L. Kohsasih and Z. Situmorang, “Comparative Analysis of C4.5 and Naïve Bayes Algorithms in Predicting Cerebrovascular Disease,” J. Inform., vol. 9, no. 1, pp. 13–17, 2022.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Novia Amanda, Resty Wulanningrum, Julian Sahertian
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
