Model Transfer Learning untuk Klasifikasi Kesegaran Buah Jeruk Menggunakan Citra Digital
DOI:
https://doi.org/10.29407/yz2tz109Keywords:
Buah Jeruk, Inception-V3, Klasifikasi, ResNet50Abstract
Kemajuan teknologi dalam bidang pembelajaran mesin dan pengolahan citra digital telah menawarkan solusi yang lebih efektif di dunia pertanian untuk mengklasfikasikan kualitas buah. Salah satu metode untuk menyelesaikan masalah mengklasifikasi kualitas buah adalah penggunaan deep learning untuk pengolahan citra digital. Dalam penelitian ini, proses klasifikasi akan dilakukan pada buah jeruk dengan mengadopsi arsitektur Convolutional Neural Network (CNN), yaitu ResNet50 dan Inception-V3. Dataset yang digunakan terdiri dari dua kelas, yaitu kelas fresh dan kelas stale. Proses pendistribusian dilakukan secara acak menjadi tiga bagian, dimana 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Proses klasifikasi dilakukan dengan menggunakan batch size 32, epoch 100, optimizer Adam, dan learning rate 1e-4. Hasil penelitian menunjukkan bahwa kedua model menghasilkan nilai akurasi yang sama yaitu 99,67%. Namun, kedua model memiliki nilai loss dan waktu komputasi yang berbeda. Inception-V3 memiliki nilai loss sebesar 0,0148, sedangkan ResNet50 mencatat nilai loss yang lebih kecil, yaitu 0,0074. Nilai loss ini juga sebanding dengan waktu komputasi masing-masing model. Inception-V3 membutuhkan waktu 26,29 detik untuk satu iterasi, sementara ResNet50 hanya memerlukan 0,92 detik per iterasi. Jika dilihat dari total penggunaan memori, ResNet50 menggunakan 52,4% ruang memori, sedangkan Inception-V3 hanya menggunakan 5,2%.
Downloads
References
F. R. Moeis, T. Dartanto, J. P. Moeis, and M. Ikhsan, “A longitudinal study of agriculture households in Indonesia: The effect of land and labor mobility on welfare and poverty dynamics,” World Dev. Perspect., vol. 20, p. 100261, Dec. 2020, doi: 10.1016/j.wdp.2020.100261.
F. N. Cahya, R. Pebrianto, and T. A. M, “Klasifikasi Buah Segar dan Busuk Menggunakan Ekstraksi Fitur Hu-Moment , Haralick dan Histogram,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 6, no. 1, May 2021, doi: 10.31294/ijcit.v6i1.10052.
G. Firmansyah and A. Hermawan, “Implementasi Algortima Naive Bayes Untuk Klasifikasi Kesegaran Buah Jeruk,” J. Inform., vol. 10, no. 2, pp. 180–184, Oct. 2023, doi: 10.31294/inf.v10i2.16115.
G. Firmansyah and A. Hermawan, “Implementasi Algortima Naive Bayes Untuk Klasifikasi Kesegaran Buah Jeruk,” J. Inform., vol. 10, no. 2, pp. 180–184, 2023, doi: 10.31294/inf.v10i2.16115.
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.
S. Napitu, R. Paramita Panjaitan, P. A. Nulhakim, and M. Khalik Lubis, “Klasifikasi Buah Jeruk Segar dan Busuk Berdasarkan RGB dan HSV Menggunakan Metode KNN,” J. SAINTEKOM, vol. 13, no. 2, pp. 214–221, 2023, doi: 10.33020/saintekom.v13i2.420.
F. Santoso and E. Hartati, “Penggunaan Algoritma Random Forest Dalam Klasifikasi Buah Segar Dan Busuk,” J. Algoritm., vol. 3, no. 1, pp. 133–140, 2022, doi: 10.35957/algoritme.v3i1.3404.
S. Darmawan Putra Bahari and U. Latifa, “Klasifikasi Buah Segar Menggunakan Teknik Computer Vision Untuk Pendeteksian Kualitas Dan Kesegaran Buah,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1567–1573, 2023, doi: 10.36040/jati.v7i3.6871.
Prinzky and C. Lubis, “Klasifikasi Buah Segar Dan Busuk Menggunakan Convolutional Neural Network Berbasis Android,” J. Ilmu Komput. dan Sist. Inf., vol. 10, no. 2, pp. 10823–10827, 2022, doi: 10.24912/jiksi.v10i2.22551.
N. Dong, L. Zhao, C. H. Wu, and J. F. Chang, “Inception-V3 based cervical cell classification combined with artificially extracted features,” Appl. Soft Comput., vol. 93, p. 106311, Aug. 2020, doi: 10.1016/j.asoc.2020.106311.
M. Nour, Z. Cömert, and K. Polat, “A Novel Medical Diagnosis model for COVID-19 infection detection based on Deep Features and Bayesian Optimization,” Appl. Soft Comput., vol. 97, no. xxxx, p. 106580, 2020, doi: 10.1016/j.asoc.2020.106580.
N. D. Miranda, L. Novamizanti, and S. Rizal, “CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI SIDIK JARI MENGGUNAKAN RESNET50,” J. Tek. Inform., vol. 1, no. 2, pp. 61–68, Dec. 2020, doi: 10.20884/1.jutif.2020.1.2.18.
X. Ou et al., “Moving Object Detection Method via ResNet-18 With Encoder–Decoder Structure in Complex Scenes,” IEEE Access, vol. 7, pp. 108152–108160, 2019, doi: 10.1109/ACCESS.2019.2931922.
S. Y. Chaganti, I. Nanda, K. R. Pandi, T. Gnrsn Prudhvith, and N. Kumar, “Image Classification using SVM and CNN,” in 2020 International Conference on Computer Science, Engineering and Applications, 2020, pp. 1–5. doi: 10.1109/ICCSEA49143.2020.9132851.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Liana Trihardianingsih, Hanifah Permatasari
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
