PENGEMBANGAN APLIKASI ANDROID UNTUK KLASIFIKASI TINGKAT KEMATANGAN BUAH ALPUKAT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) BERDASARKAN PENGOLAHAN CITRA
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Penelitian ini bertujuan untuk mengembangkan aplikasi Android berbasis pengolahan citra yang mampu mengklasifikasi tingkat kematangan buah alpukat secara otomatis. Permasalahan utama dalam proses klasifikasi manual adalah ketidakakuratan dan ketidakkonsistenan hasil, yang dapat berdampak pada kualitas dan nilai jual buah. Untuk mengatasi hal tersebut, diterapkan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 yang ringan dan efisien untuk perangkat mobile. Dataset citra buah alpukat dibagi ke dalam lima kelas, yaitu Mentah, Setengah Matang, Matang, Terlalu Matang, dan Bukan Alpukat. Proses pelatihan model mencakup augmentasi data, pengoptimalan fungsi aktivasi, serta konversi model ke format TensorFlow Lite agar dapat diintegrasikan ke dalam aplikasi Android. Hasil pengujian menunjukkan bahwa model CNN mampu mencapai tingkat akurasi validasi sebesar 94,61% dan akurasi pengujian sebesar 90,73%. Aplikasi ini memungkinkan pengguna untuk mengambil atau mengunggah gambar buah alpukat, lalu memprosesnya secara real-time dan menampilkan prediksi tingkat kematangannya. Penelitian ini memberikan kontribusi dalam pengembangan teknologi pertanian presisi berbasis kecerdasan buatan untuk membantu proses klasifikasi buah secara cepat, akurat, dan efisien.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferensi
[1] M. Mukhofifah and E. Nurraharjo, “SISTEM DETEKSI KEMATANGAN BUAH ALPUKAT MENGGUNAKAN METODE PENGOLAHAN CITRA,” Dinamika Informatika : Jurnal Ilmiah Teknologi Informasi, vol. 11, no. 1, pp. 12–23, Mar. 2019, doi: 10.35315/INFORMATIKA.V11I1.8144.
[2] J. Saputra, Y. Sa, V. Yoga Pudya Ardhana, and M. Afriansyah, “RESOLUSI : Rekayasa Teknik Informatika dan Informasi Klasifikasi Kematangan Buah Alpukat Mentega Menggunakan Metode K-Nearest Neighbor Berdasarkan Warna Kulit Buah,” Media Online, vol. 3, no. 5, pp. 214–221, 2023, [Online]. Available: https://djournals.com/resolusi
[3] G. W. Wibowo and E. Mulyanto, “Classification of Avocado Ripeness Levels Using CNN Method,” sinkron, vol. 8, no. 3, pp. 1828–1837, Jul. 2024, doi: 10.33395/sinkron.v8i3.13854.
[4] Y. A. Pratama, “Membangun Sistem Identifikasi Kematangan Buah Alpukat menggunakan teknologi Pengolahan Citra Digital,” Kalijaga : Jurnal Penelitian Multidisiplin Mahasiswa, vol. 1, no. 3, pp. 102–108, Jul. 2024, doi: 10.62523/kalijaga.v1i3.18.
[5] R. Triyogi, R. Magdalena, and B. Hidayat, “Mendeteksi Kematangan Buah Kelapa Sawit Menggunakan Convolution Neural Network Deep Learning,” Jurnal Nasional SAINS dan TEKNIK, vol. 1, pp. 22–27, 2023, doi: 10.25124/logic.v1i1.6732.
[6] A. Irvanda, R. Sulthan, J. Adila, R. Ananda, and M. Ula, “PENDETEKSIAN KEMATANGAN MANGGA BERBASIS FITUR ANALISIS WARNA DENGAN METODE CNN,” Prosiding Seminar Nasional Teknologi dan Teknik Informatika (SENASTIKA), vol. 1, no. 1, Nov. 2024, Accessed: Feb. 20, 2025. [Online]. Available: https://proceedings.unimal.ac.id/senastika/article/view/848
[7] U. Khaira et al., “Rancang Bangun Aplikasi Deteksi Penyakit Tanaman Jagung Melalui Citra Daun Berbasis Android Menggunakan Algoritma Convolutional Neural Network,” 2024.
[8] E. L. Puji Ristanti, “ANALISIS DAN PERBANDINGAN ARSITEKTUR VGG16 DAN MOBILENETV2 UNTUK KLASIFIKASI DAN IDENTIFIKASI PENYAKIT DAUN PADA TANAMAN CABAI MENGGUNAKAN CNN,” Jul. 2024.
[9] E. Ariawan, “Perbandingan Performa Arsitektur Convolutional Neural Network Menggunakan Transfer Learning untuk Model Deteksi Kesehatan Daun Comparison of Convolutional Neural Network Architecture Performance Using Transfer Learning for Leaf Healthiness Detection Models,” vol. 8, no. 1, pp. 1–12, Mar. 2025, doi: 10.30813/jbase.v8i1.8116.
[10] A. S. Ardiansyah and A. Nugroho, “Klasifikasi Penyakit Daun Kopi Dengan Arsitektur MobileNetV2,” Jurnal Ilmu Komputer dan Bisnis, vol. 14, no. 1, pp. 66–73, May 2023, doi: 10.47927/jikb.v14i1.622.
[11] D. Anggara, N. Suarna, and Y. Arie Wijaya, “PERFORMANCE COMPARISON ANALYSIS OF OPTIMIZER ADAM, SGD, AND RMSPROP ON THE H5 MODEL.” [Online]. Available: https://www.kaggle.com/datasets/jonathanoheix/face-expression-recognition-dataset
[12] P. Kinanti, R. Gustriansyah, and Z. R. Mair, “PENGGUNAAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI JENIS REMPAH – REMPAH,” 2024.
[13] A. Carolina Wibowo, S. Ardi Lestari, S. Informasi, F. Ilmu Komputer, and U. Duta Bangsa Surakarta, “ANALISIS PENGGUNAAN MACHINE LEARNING DALAM KLASIFIKASI PENENTUAN PENYAKIT JANTUNG,” vol. 9, no. 2, 2024.
[14] A. R. Hanum et al., “ANALISIS KINERJA ALGORITMA KLASIFIKASI TEKS BERT DALAM MENDETEKSI BERITA HOAKS,” vol. 11, no. 3, pp. 537–546, 2024, doi: 10.25126/jtiik2024118093.
[15] Dede Kurniadi, Rifky Muhammad Shidiq, and Asri Mulyani, “Perbandingan Penggunaan Optimizer dalam Klasifikasi Sel Darah Putih Menggunakan Convolutional Neural Network,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 14, no. 1, pp. 77–86, Mar. 2025, doi: 10.22146/jnteti.v14i1.17162.
[16] A. Anindyo Abhinowo, R. Rizal Isnanto, and D. Eridani, “PEMILIHAN MODEL TERBAIK ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI JENIS BENCANA ALAM The Best Model Selection Of Convolutional Neural Network Algorithm For Natural Disaster Classification,” Jurnal Teknik Komputer, vol. 1, no. 4, pp. 199–208, 2023, doi: 10.14710/jtk.v1i4.37656.
[17] S. N. Ria, M. Walid, and B. A. Umam, “Pengolahan Citra Digital Untuk Identifikasi Jenis Penyakit Kulit Menggunakan Metode Convolutional Neural Network (CNN),” Energy - Jurnal Ilmiah Ilmu-Ilmu Teknik, vol. 12, no. 2, pp. 9–16, Dec. 2022, doi: 10.51747/energy.v12i2.1118.
[18] P. Xavier, P. Rodrigues, and C. L. M. Silva, “‘Hass’ Avocado Ripening Photographic Dataset,” vol. 1, 2024, doi: 10.17632/3XD9N945V8.1.
[19] E. Rahmawati and D. Riana, “Pengolahan Citra Kutu Kebul untuk Mendeteksi Jumlah Kutu Kebul pada Citra Daun,” 2019. [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ji
[20] A. Anhar and R. A. Putra, “Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN),” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 2, p. 466, Apr. 2023, doi: 10.26760/elkomika.v11i2.466.
[21] M. Nauval Azmi, “ANALISIS PENGARUH DIMENSI GAMBAR PADA KLASIFIKASI MOTIF BATIK DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK,” Jurnal Sistem Informasi dan Informatika (Simika), vol. 6, no. 2, 2023.