Analisis Perbandingan Algoritma Artificial Neural Network, Logistic Regression, dan Random Forest Menggunakan Fitur SqueezeNet untuk Klasifikasi Kematangan Buah Jeruk Nipis

Robi Aziz Zuama; Arina Selawati

doi:10.31004/riggs.v5i2.12732

Authors

Robi Aziz Zuama Universitas Bina Sarana Informatika
Arina Selawati Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v5i2.12732

Keywords:

Klasifikasi Kematangan Buah, Jeruk Nipis, SqueezeNet, Artificial Neural Network, Machine Learning

Abstract

Kematangan buah jeruk nipis merupakan faktor penting yang memengaruhi kualitas dan nilai jual produk. Penentuan tingkat kematangan secara manual masih bergantung pada pengamatan visual sehingga berpotensi menimbulkan subjektivitas dan ketidakkonsistenan. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Artificial Neural Network (ANN), Logistic Regression (LR), dan Random Forest (RF) dalam mengklasifikasikan tingkat kematangan buah jeruk nipis menggunakan fitur hasil ekstraksi SqueezeNet. Dataset yang digunakan terdiri dari 104 citra buah jeruk nipis yang terbagi secara seimbang menjadi dua kelas, yaitu 52 citra buah matang dan 52 citra buah mentah. Seluruh citra diproses melalui tahap cropping dan resize menjadi 227 × 227 piksel, kemudian dilakukan ekstraksi fitur menggunakan model SqueezeNet pada aplikasi Orange Data Mining. Evaluasi model dilakukan menggunakan metode 10-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1-Score, Area Under Curve (AUC), dan Confusion Matrix. Hasil penelitian menunjukkan bahwa Artificial Neural Network memberikan performa terbaik dengan nilai Accuracy sebesar 95,2%, Precision sebesar 95,3%, Recall sebesar 95,2%, F1-Score sebesar 95,2%, dan AUC sebesar 0,997. Logistic Regression memperoleh akurasi sebesar 94,2%, sedangkan Random Forest sebesar 87,5%. Hasil tersebut menunjukkan bahwa kombinasi SqueezeNet sebagai metode ekstraksi fitur dan Artificial Neural Network sebagai algoritma klasifikasi mampu memberikan performa terbaik dalam mengidentifikasi tingkat kematangan buah jeruk nipis.

Downloads

Download data is not yet available.

References

[1] M. Rizzo, M. Marcuzzo, A. Zangari, A. Gasparetto, and A. Albarelli, “Fruit Ripeness Classification: A Survey,” Artif. Intell. Agric., vol. 7, pp. 44–57, 2023, doi: 10.1016/j.aiia.2023.02.004.

[2] I. D. Apostolopoulos, M. Tzani, and S. I. Aznaouridis, “A General Machine Learning Model for Assessing Fruit Quality Using Deep Image Features,” AI, vol. 4, no. 4, pp. 812–830, 2023, doi: 10.3390/ai4040041.

[3] S. Yadav, S. K. Jain, D. Rajpurohit, K. K. Meena, and K. Jain, “Fruit Maturity Detection Using Deep Learning: An Overview,” Int. J. Adv. Biochem. Res., vol. 8, no. 7, pp. 608–610, 2024, doi: 10.33545/26174693.2024.v8.i7Sh.1597.

[4] N. Aherwadi and U. Mittal, “Fruit Quality Identification Using Image Processing, Machine Learning, and Deep Learning: A Review,” Adv. Appl. Math. Sci., vol. 21, no. 5, pp. 2645–2660, 2022.

[5] F. Xiao, H. Wang, Y. Xu, and Z. Shi, “A Lightweight Detection Method for Blueberry Fruit Maturity Based on an Improved YOLOv5 Algorithm,” Agriculture, vol. 14, no. 1, p. 36, 2024, doi: 10.3390/agriculture14010036.

[6] W. Shafik, A. Tufail, C. D. S. Liyanage, and R. A. A. H. M. Apong, “Using Transfer Learning-Based Plant Disease Classification and Detection for Sustainable Agriculture,” BMC Plant Biol., vol. 24, p. 136, 2024, doi: 10.1186/s12870-024-04825-y.

[7] S. Siagian, K. Ibnutama, and R. Mahyuni, “Implementasi Metode Ekstraksi Ciri Warna Untuk Mendeteksi Kematangan Buah Jeruk,” J. Sist. Inf. TGD, vol. 1, no. 6, pp. 898–905, 2022, [Online]. Available: https://ojs.trigunadharma.ac.id/index.php/jsi

[8] B. Yanto, E. Rouza, L. Fimawahib, B. H. Hayadi, and R. R. Pratama, “Penerapan Algoritma Deep Learning Convolutional Neural Network dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB),” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 1, pp. 59–66, 2023, doi: 10.25126/jtiik.2023105695.

[9] D. A. Sitorus and R. Aulia, “Analisis Tingkat Kematangan Buah Jeruk Menggunakan Chain Code dan K-Nearest Neighbor (KNN) Berbasis Website,” Algoritm. J. Ilmu Komput. Inform., vol. 9, no. 2, pp. 84–99, 2025, doi: 10.30829/algoritma.v9i2.258998.

[10] Mualfah and others, “Klasifikasi Tingkat Kematangan Jeruk Lemon Menggunakan Support Vector Machine dan Naive Bayes,” SEIS, 2025.

[11] Sitorus and Aulia, “Klasifikasi Tingkat Kematangan Jeruk Menggunakan K-Nearest Neighbor Berbasis HSV dan Shape Feature,” J. Sist. Inf., 2025.

[12] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.

[13] B. Zhou, K. Wu, and M. Chen, “Detection of Gannan Navel Orange Ripeness in Natural Environment Based on YOLOv5-NMM,” Agronomy, vol. 14, no. 5, p. 910, 2024, doi: 10.3390/agronomy14050910.

[14] S. M. M. R. Swapno, S. M. N. Nobel, M. B. Islam, P. Bhattacharya, and E. A. Mattar, “ViT-SENet-Tom: Machine Learning-Based Novel Hybrid Squeeze--Excitation Network and Vision Transformer Framework for Tomato Fruits Classification,” Neural Comput. Appl., vol. 37, pp. 6583–6600, 2025, doi: 10.1007/s00521-025-10973-5.

[15] A. Amin and others, “Automatic Fruits Freshness Classification Using CNN and Transfer Learning,” Appl. Sci., 2023.

[16] D. W. Hosmer, S. Lemeshow, and R. X. Sturdivant, Applied Logistic Regression, 3rd ed. Wiley, 2013.

[17] F. Iandola, S. Han, M. Moskewicz, K. Ashraf, W. J. Dally, and K. Keutzer, “SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and Less than 0.5 MB Model Size,” arXiv Prepr. arXiv1602.07360, 2016.

[18] L. Breiman, “Random forests,” Mach. Learn., vol. 45, pp. 5–32, 2001.