SISTEM PREDIKSI TINGKAT KEMATANGAN BUAH TOMAT MENGGUANAKAN ARSITEKTUR VGG16

Authors

DOI:

https://doi.org/10.46576/djtechno.v5i3.5005

Keywords:

Convolutional Neural Networks, Kematangan Buah, VGG16, Simple CNN, Augmentasi Data

Abstract

Penelitian ini bertujuan mengembangkan sistem prediksi kematangan buah tomat menggunakan metode Convolutional Neural Networks (CNN). Sistem ini dirancang untuk menggantikan penilaian manual yang sering kali kurang efisien dan akurat akibat subjektivitas manusia. Data penelitian berupa gambar buah tomat yang diperoleh dari platform Kaggle, dengan kategori matang, mentah, dan setengah matang. Dua model CNN, yaitu Simple CNN dan VGG16, diterapkan untuk melakukan klasifikasi. Setelah melalui proses pra-pemrosesan dan augmentasi data, kedua model dibor dan diuji. Hasil menunjukkan bahwa model VGG16 memberikan kinerja terbaik dengan akurasi 97,17% pada data latih dan 95,56% pada validasi data. Kesimpulannya, model VGG16 lebih unggul dalam prediksi kematangan buah tomat dan diharapkan mampu meningkatkan efisiensi serta akurasi penilaian kematangan buah di industri pertanian.

References

Albawi, S., Mohammed, T. A., & Al-Zawi, S. (2017). Understanding of a convolutional neural network. 2017 International Conference on Engineering and Technology (ICET), 1–6. https://doi.org/10.1109/ICEngTechnol.2017.8308186

Athallah Tsany Rakha Dzaky. (2021). Deteksi Penyakit Tanaman Cabai Menggunakan Metode Convolutional Neural Network. E-Proceeding of Engineering, 8(2), 3039–3055.

Biringkanae, P., & Raza Bunahri, R. (2023). Literature Review Penggunaan Teknologi Kecerdasan Buatan dalam Penerbangan: Analisis Perkembangan Teknologi, Potensi Keamanan, dan Tantangan. JURNAL ILMU MANAJEMEN TERAPAN (JIMT), 4(5), 745–752.

Dwi Suci Anggraeni, Arif Widayana, Putri Dwi Rahayu, & Chaerur Rozikin. (2022). METODE ALGORITMA CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI PENYAKIT TANAMAN CABAI . STRING (Satuan Tulisan Riset Dan Inovasi Teknologi), 7, 73–78.

Fathurrahman, I., Muliawan Nur, A., & Fathurrahman, F. (2019). Identifikasi Kematangan Buah Mentimun Berbasis Citra Digital Menggunakan Jaringan Syaraf Tiruan Backpropagation. Infotek : Jurnal Informatika Dan Teknologi, 2(1), 27–33. https://doi.org/10.29408/jit.v2i1.976

Ghosh, A., Sufian, A., Sultana, F., Chakrabarti, A., & De Debashis. (2019). Fundamental Concepts of Convolutional Neural Network (Vol. 172).

Helsaputra, A., Luhur Prasasti, A., & Rendian Septiawan, R. (2021). IMPLEMENTASI DEEP LEARNING UNTUK PREDIKSI TINGKAT KEMATANGAN DAN BOBOT BUAH PEPAYA. Library Telkom University, 8(6), 11993–11998.

Ishak, I., Amal, I., Muhammad, M., & Kaswar, A. B. (2022). Sistem Pendeteksi Kematangan Buah Tomat Berbasis Pengolahan Citra Digital Menggunakan Metode Jaringan Syaraf Tiruan. Jurnal Media TIK, 5(1), 65–69.

Palupiningsih, P., Sujiwanto, A. R., & Prawirodirjo, R. R. B. P. (2023). Analisis Perbandingan Performa Model Klasifikasi Kesehatan Daun Tomat menggunakan arsitektur VGG, MobileNet, dan Inception V3. Jurnal Ilmu Komputer Dan Agri-Informatika, 10(1), 98–110. https://doi.org/10.29244/jika.10.1.98-110

Pouyanfar, S., Tao, Y., Mohan, A., Tian, H., Kaseb, A. S., Gauen, K., Dailey, R., Aghajanzadeh, S., Lu, Y.-H., Chen, S.-C., & Shyu, M.-L. (2018). Dynamic Sampling in Convolutional Neural Networks for Imbalanced Data Classification. 2018 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR), 112–117. https://doi.org/10.1109/MIPR.2018.00027

Putri Ananda, T., Viola Widyasari, S., Ihsan Muttaqin, M., & Stefanie, A. (2023). IDENTIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN). JATI (Jurnal Mahasiswa Teknik Informatika), 7(3), 2094–2097. https://doi.org/10.36040/jati.v7i3.7137

Saxena, A. (2022). An Introduction to Convolutional Neural Networks. International Journal for Research in Applied Science and Engineering Technology, 10(12), 943–947. https://doi.org/10.22214/ijraset.2022.47789

Sigitta, R. C., Saputra, R. H., & Fathulloh, F. (2023). Deteksi Penyakit Tomat melalui Citra Daun menggunakan Metode Convolutional Neural Network. AVITEC, 5(1), 43. https://doi.org/10.28989/avitec.v5i1.1404

Soekarta, R., Nurdjan, N., & Syah, A. (2023). Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN). Insect (Informatics and Security): Jurnal Teknik Informatika, 8(2), 143–151. https://doi.org/10.33506/insect.v8i2.2356

Vicky Purnama Putra, J., Ayu, F., & Julianto, B. (2023). Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN. STAINS (SEMINAR NASIONAL TEKNOLOGI & SAINS) , 2(1), 155–162.

Weny Indah Kusumawati, & Adisaputra Zidha Noorizki. (2023). Perbandingan Performa Algoritma VGG16 Dan VGG19 Melalui Metode CNN Untuk Klasifikasi Varietas Beras. Journal of Computer, Electronic, and Telecommunication, 4(2). https://doi.org/10.52435/complete.v4i2.387

Downloads

Published

2024-12-20

Issue

Vol. 5 No. 3 (2024): Desember

Section

Articles

License

Pernyataan Hak Cipta dan Lisensi

  1. Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
  2. Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada  Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Djtechno sebagai media Publikasi pertama atas karya tersebut.
  3. Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Djtechno sebagai media publikasi pertama atas karya dimaksud.
  4. Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.