Penerapan Deep Learning untuk Klasifikasi Buah Menggunakan Algoritma Convolutional Neural Network (CNN)

Penulis

Kata Kunci:

Buah, Klasifikasi, Convolutional Neural Network, MobileNetV1

Abstrak

Buah merupakan bagian tumbuhan yang tertanam pada tanah sehingga tumbuh menjadi besar, berdaging dan memiliki banyak kandungan air. Terdapat sekitar 295.383 spesies tumbuhan berbiji yang dapat menghasilkan buah. Dengan memanfaatkan artificial intelligence terkhusus deep learning akan memudahkan dalam klasifIkasi buah. Dalam penelitian ini, peneliti menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV1 menghasilkan model klasifikasi buah. Data yang digunakan adalah dataset buah dari platform Kaggle yaitu dataset fruit 360. Data terdiri dari 10 jenis buah buah (Alpukat, Apel, Jeruk, Jeruk Lemon, Jeruk Nipis, Mangga, Nanas, Pisang, Semangka dan Strawberry) sebanyak 4729 citra training dan 1586 citra testing citra dengan ukuran 100×100 pixel yang telah diubah menjadi ukuran 224×224 pixel. Tahapan penelitian ini dimulai dari persiapan dataset citra buah, preprocessing dataset yaitu resize citra, pemodelan arsitektur Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV1. Hasil penelitian ini dapat melakukan klasifikasi buah kedalam 10 kelas menjadi suatu model dan labels, menghasilkan model klasifikasi buah dengan akurasi pada pengujian model terhadap data training 100% dan akurasi pada pengujian model terhadap data testing sebesar 100%.

Biografi Penulis

Shandi Noris, Universitas Pamulang

I am a lecturer at Informatics Engineering, Pamulang University. My current research interests include software engineering, Computer Networking, intelligent systems, and machine learning.

Publication:

SCOPUS ID: 57421561900

Researcher ID: AAE-2633-2022

SINTA ID: 6654669

Google Scholar ID: KFAh_PsAAAAJ

ORCID ID: 0000-0001-6012-6551

Garuda ID: 2027428

Referensi

Asti, R. P. (2016). Pengolahan citra dengan menggunakan web cam pada kendaraan bergerak di jalan raya. 1, 1–6.

Awangga, R. M., & Batubara, N. A. (2020). Tutorial Object Detection Plate Number With Convolution Neural Network (CNN) (Ke-1; R. M. Awangga & N. A. Batubara, Eds.). Bandung: CV. Kreatif Industri Nusantara.

Christenhusz, M. J. M., & Byng, J. W. (2016). The number of known plants species in the world and its annual increase. Phytotaxa, 261(3), 201–217. https://doi.org/10.11646/phytotaxa.261.3.1

Hasyim. (2019). Mengenal Buah-Buahan Eksotik Kuta Kartenegara (Ke-1; M. I. Subaktiar, Ed.). Gresik: CV. Jendela Sastra Indonesia Press.

Kadir, A. (2018). Dasar Pemograman Python 3 - Panduan untuk Mempelajari Python dengan Cepat dan Mudah bagi Pemula (Maya, Ed.). Yogyakarta: CV. ANDI OFFSET.

Lumabiang, V. M., Andris, C., Manaha, L., & Liem, A. T. (2019). Prototipe Pendeteksi Object Mengguanakan Computer Vision Dan Raspberry Pi. 1341–1351.

Prianggara, F. W., Setiawan, A. B., & Farida, I. N. (2020). Identifkasi Jenis Buah Apel Berdasarkan Ekstraksi Bentuk dan Warna.

Randles, B. M., Pasquetto, I. V., Golshan, M. S., & Borgman, C. L. (2017). Using the Jupyter Notebook as a Tool for Open Science: An Empirical Study. Proceedings of the ACM/IEEE Joint Conference on Digital Libraries. https://doi.org/10.1109/JCDL.2017.7991618

Roihan, A., Sunarya, P. A., & Rafika, A. S. (2020). Pemanfaatan Machine Learning dalam Berbagai Bidang : Review paper. 5(April), 75–82.

Zaharchuk, G., Gong, E., Wintermark, M., Rubin, D., & Langlotz, C. P. (2018). Deep learning in neuroradiology. American Journal of Neuroradiology, 39(10), 1776–1784. https://doi.org/10.3174/ajnr.A5543

Zakiya, P. N., Novamizanti, L., Rizal, S., & Telkom, U. (2021). Klasifikasi Patologi Makula Retina Melalui Citra Oct Menggunakan Convolutional Neural Network Dengan ( Classification of Pathology of Macula Retina Through Oct Image Using. 8(5), 5072–5082

Jurnal Teknologi Sistem Informasi dan Aplikasi Vol. 6 No. 1 Januari 2023

Unduhan

Diterbitkan

2023-01-31

Cara Mengutip

Noris, S., & Waluyo, A. (2023). Penerapan Deep Learning untuk Klasifikasi Buah Menggunakan Algoritma Convolutional Neural Network (CNN). Jurnal Teknologi Sistem Informasi Dan Aplikasi, 6(1), 39–46. Diambil dari https://openjournal.unpam.ac.id/index.php/JTSI/article/view/29648

Terbitan

Vol 6 No 1 (2023): Jurnal Teknologi Sistem Informasi dan Aplikasi

Bagian

Article

Lisensi

Hak Cipta (c) 2023 Shandi Noris, Adhi Waluyo

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.

Authors who publish with this journal agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Jurnal Teknologi Sistem Informasi dan Aplikasi have CC BY-NC or an equivalent license as the optimal license for the publication, distribution, use, and reuse of scholarly work.

In developing strategy and setting priorities, Jurnal Teknologi Sistem Informasi dan Aplikasi recognize that free access is better than priced access, libre access is better than free access, and libre under CC BY-NC or the equivalent is better than libre under more restrictive open licenses. We should achieve what we can when we can. We should not delay achieving free in order to achieve libre, and we should not stop with free when we can achieve libre.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) License

YOU ARE FREE TO:

  • Adapt - remix, transform, and build upon the material for any purpose, even commercially.
  • The licensor cannot revoke these freedoms as long as you follow the license terms