Klasifikasi Jenis Buah Mangga Berbasis Web Menggunakan MobileNetV3 dan Transfer Learning

Lalu Maulana Noer Fajrin; Andi Sofyan Anas; Tomi Tri Sujaka

doi:10.31004/riggs.v5i2.10204

Authors

Lalu Maulana Noer Fajrin Universitas Bumigora
Andi Sofyan Anas Universitas Bumigora
Tomi Tri Sujaka Universitas Bumigora

DOI:

https://doi.org/10.31004/riggs.v5i2.10204

Keywords:

Convolutional Neural Network (CNN), mobilenetv3, Berbasis Website, Pengolahan Citra, Transfer Learning

Abstract

Indonesia merupakan salah satu negara penghasil mangga terbesar di dunia yang memiliki berbagai varietas unggulan dengan karakteristik yang beragam. Namun, proses identifikasi jenis mangga masih banyak dilakukan secara manual melalui pengamatan visual, sehingga rentan terhadap subjektivitas, kesalahan klasifikasi, dan membutuhkan waktu yang relatif lama. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis buah mangga berbasis web menggunakan arsitektur Convolutional Neural Network (CNN) MobileNetV3 dengan pendekatan transfer learning. Dataset yang digunakan terdiri dari 3.850 citra mangga yang mencakup tujuh varietas, yaitu Arumanis, Golek, Manalagi, Gedong Gincu, Indramayu, Apel, dan Madu. Tahap prapemrosesan meliputi resize citra menjadi 224×224 piksel, normalisasi berdasarkan standar ImageNet, serta augmentasi data untuk meningkatkan kemampuan generalisasi model. Proses pelatihan dilakukan menggunakan optimizer Adam dengan learning rate 0,001 dan dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-Score. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 94,09%, presisi 94,18%, recall 94,09%, dan F1-Score 94,10%. Model kemudian diintegrasikan ke dalam aplikasi berbasis web dan dideploy menggunakan platform Hugging Face Spaces sehingga dapat diakses secara mudah oleh pengguna. Hasil penelitian menunjukkan bahwa kombinasi MobileNetV3 dan transfer learning efektif dalam mengklasifikasikan varietas mangga secara otomatis dengan tingkat akurasi yang tinggi. Sistem yang dikembangkan berpotensi menjadi solusi praktis untuk membantu petani, pedagang, dan pelaku industri dalam melakukan identifikasi varietas mangga secara lebih cepat, objektif, dan konsisten.

Downloads

Download data is not yet available.

References

[1] A. Dirpan, A. N. Rahman, M. T. Sapsal, M. M. Tahir, and S. Dewitara, “Perubahan Warna dan Organoleptik Buah Mangga Golek (Mangifera indica L.) pada Metode Penyimpanan Zero Energy Cool Chamber (ZECC) dengan Kombinasi Pengemasan,” J. Agroteknologi, vol. 15, no. 2, pp. 120–129, 2021.

[2] F. D. Kristiana, L. Maulidiana, and M. T. Arman, “Perencanaan Nama Merek Manisan Mangga Indramayu Kering Berbasis Nilai Pelanggan,” J. Inov. Bisnis dan Manaj. Indones., vol. 6, no. 1, pp. 45–53, 2021.

[3] F. Jamaludin, M. Rozikin, and D. Irawan, “Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation,” in Prosiding Seminar Nasional Teknologi dan Informatika (SNATIF), Kudus: Universitas Muria Kudus, 2021.

[4] D. Hidayat, “No Title,” vol. 5, pp. 98–103, 2022.

[5] R. Mardianto et al., “JOURNAL OF APPLIED COMPUTER SCIENCE AND TECHNOLOGY ( JACOST ) Perbandingan Metode Random Forest , Convolutional Neural Network , dan Support Vector Machine Untuk Klasifikasi Jenis Mangga,” vol. 5, no. 1, pp. 63–71, 2024.

[6] A. F. Jauhari, “Klasifikasi Jenis Beras Menggunakan Metode Convolutional Neural Network pada Arsitektur MobileNet,” Universitas Islam Negeri Maulana Malik Ibrahim Malang, Malang, 2022.

[7] et al Masparudin, “Pengembangan Sistem Klasifikasi Buah Apel menggunakan Convolutional Neural Network ( CNN ) Arsitektur MobileNet pada Platform Android Development of Apple Fruit Classification System using Convolutional Neural,” vol. 13, no. Nomor 1, pp. 230–243, 2024.

[8] A. Hidayat, F. S. Ash-shiddiq, and F. Amalya, “Pengembangan Aplikasi Klasifikasi Makanan Dengan Metode Transfer Learning Menggunakan MobilenetV2 dan Integrasi Api Nutrisi Berbasis Web,” vol. 4, pp. 2397–2419, 2024.

[9] D. P. Sinaga and N. Khairina, “INCODING : Journal of Informatic and Computer Science Engineering Penerapan Mobilenetv3 Untuk Klasifikasi Jenis Bahan Pakaian Application of Mobilenetv3 for Classification of Clothing Material Types,” vol. 4, no. 1, pp. 1–8, 2024, doi: 10.34007/incoding.v4i1.469.

[10] S. D. Wahyuni and R. H. Kusumodestoni, “Optimalisasi Algoritma Support Vector Machine (SVM) dalam Klasifikasi Kejadian Data Stunting,” Bull. Inf. Technol., vol. 5, no. 2, pp. 56–64, 2024, doi: 10.47065/bit.v5i2.1247.

[11] W. Erawati, S. Heristian, and R. A. Purnama, “Computer Science ( CO-SCIENCE ) Rancang Bangun Sistem Informasi Akademik Berbasis Website Dengan Metode SDLC,” vol. 3, no. 2, pp. 68–77, 2023.

[12] B. Chen, N. Mustakin, A. Hoang, S. Fuad, and D. Wong, “VSCuda: LLM-Based CUDA Extension for Visual Studio Code,” in Workshops of The International Conference on High Performance Computing, Network, Storage, and Analysis (SC-W 2023), Denver, USA: ACM, 2023. doi: 10.1145/3624062.3624064.

[13] M. H. Anuar, H. Ismail, and I. Ahmedy, “Animal Species Classification using Convolutional Neural Network,” in Proceedings of the 8th International Conference on Software Engineering and Information Management (ICSIM 2025), Singapore: ACM, 2025. doi: 10.1145/3725899.3725936.

[14] J. Antonio, E. Cujae, and T. U. Berlin, “CNN-based solution for mango classification in agricultural environments,” no. Xx, pp. 1–15.

[15] B. Hnatkowska and M. Cebinka, “Activity Diagram Generation Based on Use-Case Textual Specification,” Comput. Informatics, vol. 40, no. 4, pp. 772–795, 2021, doi: 10.31577/cai_2021_4_772.

[16] S. Sato and T. Nakamaru, “Multiverse Notebook: Shifting Data Scientists to Time Travelers,” Proc. ACM Program. Lang., vol. 8, no. OOPSLA1, 2024, doi: 10.1145/3649838.

[17] J. R. Hidaya, T. Informatika, and U. B. Darma, “Klasifikasi Penyakit Tanaman Nanas di Kota Prabumulih Menggunakan Model Transfer Learning Berbasis,” vol. 24, no. 4, pp. 1102–1111, 2025.