Pendekatan Multimodal untuk Deteksi Kematangan Buah Mangga Berbasis CNN dan Sensor Gas MQ-135
DOI:
https://doi.org/10.29407/0eqyk806Keywords:
buah mangga, kematangan buah, CNN, MobileNetV2, sensor gas , MQ-135, multimodalAbstract
Penentuan tingkat kematangan buah mangga secara akurat merupakan faktor penting dalam menjaga kualitas hasil panen dan efisiensi distribusi. Namun, penilaian kematangan yang masih bergantung pada pengamatan visual bersifat subjektif dan kurang konsisten. Penelitian ini mengusulkan pendekatan multimodal sederhana untuk mendeteksi status kematangan buah mangga dengan mengintegrasikan indikator morfologis dan fisiologis. Indikator morfologis diperoleh melalui klasifikasi ukuran buah menggunakan Convolutional Neural Network (CNN) berbasis MobileNetV2, sedangkan indikator fisiologis diperoleh dari respons sensor gas MQ-135 terhadap gas volatil yang dilepaskan selama proses pematangan buah. Pengambilan keputusan tingkat kematangan dilakukan menggunakan mekanisme berbasis aturan (rule-based decision) yang mengombinasikan hasil klasifikasi ukuran buah dan nilai sensor gas. Hasil pengujian menunjukkan bahwa model CNN mampu mengklasifikasikan ukuran buah dengan akurasi sebesar 0,98, sementara sensor gas menunjukkan respons signifikan berupa lonjakan nilai ketika buah didekatkan ke sensor. Implementasi sistem dalam bentuk prototipe aplikasi berbasis web menunjukkan bahwa alur kerja sistem dari tahap input hingga keluaran keputusan dapat berjalan secara fungsional. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa pendekatan multimodal sederhana layak digunakan sebagai studi pendahuluan untuk mendukung penentuan kematangan buah mangga secara otomatis dan objektif.
Downloads
References
[1] Badan Pusat Statistik, Statistik Hortikultura Indonesia 2023, BPS RI, Jakarta, 2023.
[2] Kementerian Pertanian Republik Indonesia, Outlook Komoditas Mangga, Pusat Data dan Sistem Informasi Pertanian, Jakarta, 2022.
[3] A. S. Prasetya dan R. W. Oktaviani, “Deteksi Tingkat Kematangan Buah Mangga Menggunakan Pendekatan Deep Learning Berbasis Citra,” Jurnal Informatika Universitas Satya Negara Indonesia, vol. 13, no. 1, pp. 45–56, 2023.
[4] M. R. Suryani dan L. Wijaya, “Pengaruh Tingkat Kematangan terhadap Karakteristik Fisik dan Umur Simpan Buah Mangga,” Jurnal Hortikultura Indonesia, vol. 14, no. 2, pp. 101–110, 2022.
[5] D. A. Nugroho, E. Prasetyo, dan M. Iqbal, “Analisis Subjektivitas Penilaian Visual pada Penentuan Kematangan Buah Tropis,” Jurnal Teknologi Pertanian, vol. 11, no. 3, pp. 201–209, 2021.
[6] A. P. Wicaksono dan F. Ramadhan, “Keterbatasan Metode Konvensional dalam Penentuan Kematangan Buah,” Jurnal Ilmu Pertanian Indonesia, vol. 26, no. 4, pp. 512–520, 2021.
[7] A. S. Prasetya, “Klasifikasi Kematangan Buah Menggunakan Convolutional Neural Network Berbasis Citra Digital,” Komputika: Jurnal Sistem Komputer, vol. 12, no. 2, pp. 169–176, 2023.
[8] R. W. Oktaviani dan T. H. Widodo, “Implementasi Deep Learning untuk Analisis Ukuran dan Bentuk Buah Berbasis Citra,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 10, no. 3, pp. 623–632, 2023.
[9] J. Chen, Y. Li, and X. Zhang, “Fruit Maturity Classification Using Lightweight Convolutional Neural Networks,” Computers and Electronics in Agriculture, vol. 203, pp. 107451, 2022.
[10] H. Zhang, Q. Wang, and J. Liu, “Challenges and Limitations of Vision-Based Fruit Ripeness Detection,” Computers and Electronics in Agriculture, vol. 189, pp. 106421, 2021.
[11] A. K. Mishra and S. Sharma, “Analysis of Volatile Organic Compounds in Fruit Ripening Process,” Postharvest Biology and Technology, vol. 182, pp. 111705, 2021.
[12] R. P. Singh and S. Sharma, “Gas Sensor-Based Fruit Ripeness Detection: Recent Advances and Applications,” IEEE Sensors Journal, vol. 22, no. 8, pp. 7561–7573, 2022.
[13] D. A. Nugroho dan M. R. Suryani, “Pemanfaatan Sensor Gas MQ-135 untuk Monitoring Proses Pematangan Buah,” Jurnal Instrumentasi, vol. 6, no. 2, pp. 85–93, 2022.
[14] L. Wijaya, A. Rahman, dan T. Prakoso, “Evaluasi Sensor Gas Seri MQ untuk Deteksi Senyawa Volatil pada Buah Tropis,” Jurnal Teknologi dan Sistem Komputer, vol. 11, no. 3, pp. 198–206, 2023.
[15] M. Sandler et al., “MobileNetV2 Revisited: Performance Analysis in Lightweight Image Classification,” IEEE Access, vol. 9, pp. 164215–164227, 2021.
[16] R. Munir, F. Hidayat, dan S. Kurniawan, “Penerapan Marker ArUco untuk Normalisasi Skala pada Sistem Pengolahan Citra,” Jurnal RESTI, vol. 7, no. 4, pp. 742–749, 2023.
[17] D. M. Powers, “Evaluation Metrics for Classification Models: Accuracy, Precision, Recall, and F1-Score,” Journal of Machine Learning Technologies, vol. 4, no. 1, pp. 1–12, 2021.
[18] Y. Li, X. Wang, and Z. Zhou, “Rule-Based Decision Fusion for Multimodal Classification Systems,” Applied Soft Computing, vol. 117, pp. 108415, 2022.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Syailendra Julian Wicaksono
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
