Klasifikasi Jenis Buah Menggunakan Metode CNN

Ines Heidiani Ikasari; Perani Rosyani; Resti Amalia

doi:10.31004/riggs.v4i2.1271

Authors

Ines Heidiani Ikasari Universitas Pamulang https://orcid.org/0000-0002-8463-6318
Perani Rosyani Universitas Pamulang
Resti Amalia Universitas Pamulang

DOI:

https://doi.org/10.31004/riggs.v4i2.1271

Keywords:

Klasifikasi, Buah-buahan, Deep Learning, Convolutional neural network, Pengolahan Citra

Abstract

Klasifikasi jenis buah merupakan aplikasi penting dalam pengolahan citra, terutama di sektor pertanian, perdagangan, dan teknologi pangan. Proses identifikasi buah secara manual cenderung lambat dan rentan kesalahan, terutama karena variasi bentuk, warna, dan ukuran buah. Indonesia memiliki lebih dari 27 jenis buah yang diproduksi secara masif, namun pengenalan jenis buah masih banyak dilakukan secara manual. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis menggunakan metode Deep Learning, khususnya Convolutional Neural Network (CNN). CNN dipilih karena kemampuannya dalam mengenali pola visual dari citra digital melalui ekstraksi fitur menggunakan lapisan konvolusi dan pooling. Dataset citra buah diperoleh dari Kaggle dan terdiri dari 8 jenis buah yang diproses melalui tahap preprocessing seperti resizing, normalisasi, dan augmentasi data. Model CNN diuji pada dua skenario pembagian data: 80:20 dan 70:30. Pada skenario 80:20, model mencapai akurasi rata-rata 91% dan akurasi validasi 97%, sedangkan pada skenario 70:30 mencapai akurasi rata-rata 91% dan validasi 98%. Hasil ini menunjukkan bahwa CNN efektif untuk klasifikasi citra buah dengan akurasi tinggi.

Downloads

Download data is not yet available.

References

Koirala, A., Walsh, K. B., Wang, Z., & McCarthy, C. (2019). Deep learning–Method overview and review of use for fruit detection and yield estimation. Computers and Electronics in Agriculture, 162, 219-234. https://doi.org/10.1016/j.compag.2019.04.017

Chen, F., et al. (2019). Automated Fruit Sorting Machines Using Deep Learning. Journal of Automation in Agriculture.

Tm, A., Shilpa, A., & Avinash, K. (2020). Identification and classification of fruits using deep learning. International Journal of Computer Applications, 177(34), 1-6. https://doi.org/10.5120/ijca2020919939.

Hossain, M. S., Mou, R. J., Chakraborty, S., & Hossain, M. A. (2019). Fruit classification using convolutional neural network. International Journal of Electrical and Computer Engineering, 9(5), 4100-4107. https://doi.org/10.11591/ijece.v9i5.pp4100-4107

Mureșan, H., & Oltean, M. (2018). Fruit recognition from images using deep learning. Acta Universitatis Sapientiae, Informatica, 10(1), 26-42. https://doi.org/10.2478/ausi-2018-0002.

Zhang, Y., & Liu, X. (2021). Transfer Learning with Convolutional Neural Networks for Fruit Image Classification. Journal of Food Engineering.

Kim, D., & Park, J. (2022). Data Augmentation Techniques for Robust Fruit Classification Models. Computational Intelligence and Neuroscience.

Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70-90. https://doi.org/10.1016/j.compag.2018.02.016

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539

Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 60. https://doi.org/10.1186/s40537-019-0197-0.

Wang, Z., Walsh, K. B., Verma, B., & Whitty, M. (2018). Robustness of deep learning models in fruit classification under diverse conditions. Journal of Imaging, 4(4), 54. https://doi.org/10.3390/jimaging4040054.