Optimalisasi Deteksi Tingkat Kematangan Buah Apel Menggunakan Arsitektur SSD-ResNet50
DOI:
https://doi.org/10.29407/cj5r0p42Keywords:
Apel, Computer Vision, Pengolahan Citra, Single Shot Detector , ResNet50Abstract
Kualitas apel menjadi faktor penting dalam menjaga nilai jual dan keamanan konsumsi, sehingga diperlukan metode penilaian otomatis yang lebih akurat dibandingkan pemeriksaan manual yang bersifat subjektif. Studi ini mengembangkan sistem deteksi kualitas apel berbasis Computer Vision dengan menggunakan metode Single Shot Detector (SSD) dengan backbone ResNet50 sebagai model utama. Dataset terdiri dari citra apel segar dan busuk dengan melalui bagian resize, normalisasi, anotasi, dan augmentasi untuk meningkatkan variasi data. Model SSD-ResNet50 dilatih untuk mengklasifikasikan dua kategori kualitas apel dan dievaluasi menggunakan data uji terpisah. Hasil penelitian menunjukkan performa yang baik dengan akurasi 92%, precision 93% untuk kelas segar dan 91% untuk kelas busuk, serta recall masing-masing 87% dan 95%. Confusion matrix mengonfirmasi bahwa sebagian besar citra diuji berhasil diklasifikasikan dengan benar sehingga model dinilai stabil dan mampu mengekstraksi fitur citra secara efektif. Sistem ini kemudian diimplementasikan dalam aplikasi berbasis web untuk memudahkan proses deteksi kualitas apel secara praktis melalui unggahan gambar. Studi ini membuktikan bahwa pendekatan SSD-ResNet50 efektif dalam pengolahan citra untuk menilai kualitas apel dan berpotensi diterapkan dalam otomasi pengecekan mutu buah.
Downloads
References
[1] J. J. Sihombing, “Rancang Bangun Sistem Sortir dan Deteksi Berat Buah Sawit Berbasis Outseal PLC,” 2024.
[2] 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, 2024.
[3] B. Baharuddin, Y. Yuyun, and N. Nasrullah, “Deteksi Kebakaran Menggunakan Algoritma Single Shoot MultiBox Detector dengan Rule RGB dan Rule YcbCr,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 1, pp. 391–404, Jan. 2025, doi: 10.57152/malcom.v5i1.1761.
[4] E. Perdana, K. Ihsan, R. A. Pramudya, and R. E. Permana, “KLASIFIKASI CITRA ULOS BATAK MENGGUNAKAN METODE SVM DAN KNN DENGAN EKSTRAKSI FITUR BERBASIS RESNET50,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 5, pp. 8711–8718, 2025.
[5] Z. K. Salsabila, “Analisis Arsitektur ResNet pada Single Shot Detector (SSD) untuk Deteksi Sampah,” 2025.
[6] M. Masparudin, I. Fitri, and S. Sumijan, “Development of apple fruit classification system using convolutional neural network (cnn) mobilenet architecture on android platform,” Sistemasi: Jurnal Sistem Informasi, vol. 13, no. 1, pp. 230–243, 2024.
[7] F. NURSULISTIO, “Deteksi Objek Masker Menggunakan Object Detection API dan TensorFlow Lite Model Maker,” 2022.
[8] N. F. Y. Putra, “EVALUASI PENGARUH VARIASI TINGKAT ANOTASI TERHADAP PERFORMA DAN EFISIENSI MODEL YOLOv11 PADA DETEKSI MULTI-OBJEK BUAH,” 2025.
[9] A. N. Faturrohman, S. H. Suryawan, and A. Rahim, “Pengembangan Model Klasifikasi Kendaraan Keluar Masuk Area Parkir Dengan Algoritma YOLOv8,” Teknika, vol. 13, no. 3, pp. 370–379, 2024.
[10] M. M. Nugraha, M. D. F. Saputra, D. A. Fauzan, and E. Y. Puspaningrum, “Augmentasi Data Pengenalan Citra Batik Yogyakarta Menggunakan Pendekatan Random Crop, Rotate, Dan Mixup,” in Prosiding Seminar Nasional Informatika Bela Negara (SANTIKA), 2025, pp. 152–158.
[11] A. Sihabillah, A. Tholib, and I. I. Basit, “OPTIMASI MODEL RESNET50 UNTUK KLASIFIKASI SAMPAH,” Indexia, vol. 6, no. 2, pp. 102–111, 2024.
[12] M. FADLI and R. A. Saputra, “Klasifikasi dan evaluasi performa model Random Forest untuk prediksi stroke,” Jurnal Teknik, vol. 12, no. 2, 2023.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Edga Sukma Pratama, Muhamad Fajar Sayuto, Tomi Setiawan
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
