DETEKSI TINGKAT KEMANISAN BUAH SEMANGKA (CITRULLUS LANATUS) BERDASARKAN CIRI KULIT BUAH DENGAN MENGGUNAKAN METODE CNN (CONVOLUTIONAL NEURAL NETWORK)

Muhamad Ali Ikhsanudin
Endang Setyati
Hartarto Junaedi


DOI: https://doi.org/10.29100/jipi.v8i4.4118

Abstract


Buah semangka memiliki kandungan gula yang cukup tinggi sehingga bisa menjadi sumber energi bagi tubuh. Namun, kandungan gula pada buah semangka dapat berbeda-beda tergantung pada jenis, ukuran, dan seberapa matang buah tersebut. Salah satu cara yang dapat dilakukan untuk mendapatkan semangka yang manis adalah memperhatikan bagian buah yang terletak diatas tanah (ground spot), bagian ini akan berubah warna dari yang semula putih menjadi kekuningan. Tanda kuning tersebut akan menunjukan semangka matang saat masih di pohon dan dipanen pada saat sudah matang. Dataset diambil dari 197 buah semangka yang telah difoto dari sisi atas, samping dan bawah/sisi lainnya. Dataset diklasifikasikan menjadi 3 kelas, yaitu : manis, cukup manis dan kurang manis. Digunakan Refractometer untuk mengukur tingkat kemanisan buah semangka berdasarkan °Brix. Penelitian ini menggunakan Deep Learning Convolutional Neural Network (CNN) dengan arsitektur EfficientNetV2S serta menggunakan teknik Transfer Learning yang kemudian dilakukan Fine-Tuning. Digunakan 3 buah input gambar semangka yaitu bagian atas (tangkai), samping (ground spot) dan bawah/sisi lainnya. Hasil dari ektraksi fitur di klasifikasi menggunakan CNN untuk menentukan prediksi semangka yang manis (≥ 8 °Brix) cukup manis (≥ 6 s.d < 8 °Brix)  dan Kurang Manis (≥4 s.d < 6°Brix). Setelah pengujian di dapatkan akurasi sebesar 0.96 dengan perbandingan data training dan data testing 80:20.

Full Text:

PDF

Article Metrics :

References


Kuswandi, & Marta, N, “Sukses Bertanam Semangka” dalam Pendahuluan., edisi pertama, Jakarta, Indonesia, 2021, hal. 1

Sobir, & Siregar, F, “Budi daya semangka”dalam Saatnya Memanen Semangka, Bogor, Indonesia, 2010, hal. 92

Pengujian, B., & Identifikasi Barang, D.J.B.C, ”Nilai brix untuk menentukan kualitas pada buah-buahan. Indonesia Customs and Excise Laboratory Bulletin” dalam Kualitas Buah, Jakarta, Indonesia, 2016, hal. 15

Nazulan, Asnawi, dkk, “Detection of Sweetness Level for Fruits (Watermelon) With Machine Learning”. Dalam Proc. In 2020 IEEE Con-ference on Big Data and Analytics (ICBDA) (pp. 79-83).Nov. 2020. doi : 10.1109/ICBDA50157.2020.9289712

A’yun, Q., & Utaminingrum, F, ” Rancang Bangun Deteksi Kemanisan Buah Semangka menggunakan Metode Gray Level Co-Occurrence Matrix dan Backpropagation Neural Network berbasis Raspberry Pi”, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X, 2022. Tersedia : https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10591

Contreras, K., Henry, A., Cáceres-Hernández, D., & Sanchez-Galan, J. E., “Comparing Convolutional Neural Networks and Deep Metric Learning Methods for Classification of Export Watermelon (Citrullus lanatus) Varieties", In 2022 IEEE 31st International Symposium on Industrial Electronics (ISIE) (pp. 1141-1146), Juni 2022. doi : 10.1109/ISIE51582.2022.9831572

Villa, A. B., Jacinto, R. P., Ramos, M. A. A., & Alagao, S. P. L., “Determination of Citrullus Lanatus “Sweet-16” Ripeness Using Android-Based Application”, In 2021 International Conference on Electrical, Communication, and Computer Engineering (ICECCE) (pp. 1-6). IEEE. Jun. 2021. doi : 10.1109/ICECCE52056.2021.9514216

Pardede, J., Sitohang, B., Akbar, S., & Khodra, M. L., “Implementation of transfer learning using VGG16 on fruit ripeness detection”, Int. J. Intell. Syst. Appl, 13(2), 52-61, 2021. Tersedia : www.mecs-press.net/ijisa/ijisa-v13-n2/IJISA-V13-N2-4.pdf

Alam, I. F., Sarita, M. I., & Sajiah, M. A., “Implementasi Deep Learning dengan Metode Convolutional Neural Network (CNN) untuk IdentifikasiObjek Secara Real Time Berbasis Sistem Android”, semanTIK, 237-244, 2019. Doi : http://dx.doi.org/10.55679/semantik.v5i2.7554

LeCun, Y., Bengio, Y., & Hinton, G., “Deep Learning”, Nature, 436-444, 2015. doi: 10.1038/nature14539