Klasifikasi Kesegaran Buah Menggunakan Deep Learning

• IFNU ABDUL AZIZ ABDULLAH
• 14002604

---

ABSTRAK

ABSTRAK

Nama              : Ifnu Abdul Aziz Abdullah

NIM                 : 14002604

Program Studi : Ilmu Komputer

Fakultas          : Teknologi Informasi

Jenjang           : Strata Dua (S2)

Konsentrasi     : Image Processing

Judul Tesis      : “Klasifikasi Kesegaran Buah Menggunakan Deep Learning”

Nilai nutrisi makanan yang mudah terpengaruh oleh tingkat kesegarannya, seperti buah, bergantung pada kesegarannya. Pendekatan yang digunakan untuk mengatasi masalah kelas biner adalah dengan mengklasifikasikan buah dalam kategori buah segar (fresh), tidak segar (medium), dan busuk (rotted). Kami mengajukan pendekatan otomatis untuk mengkategorikan buah. Pertama, pendekatan ini akan mengidentifikasi jenis objek dalam gambar, dan selanjutnya akan mengklasifikasikan buah tersebut ke dalam salah satu dari tiga kategori segar (fresh), tidak segar (medium), dan busuk (rotted). Saya mengumpulkan sekumpulan data yang mencakup 4564 gambar dari 5 jenis buah. Setiap jenis buah tersebut dibagi menjadi tiga kategori kesegaran yang berbeda. Proses pengumpulan data ini dilakukan dengan menggunakan telepon genggam. Pengidentifikasian dan pengklasifikasian buah dan dilaksanakan menggunakan dua model deep learning CNN dengan model Vgg16 dan Mobilenet didukung optimizer ADAM, SGD dan RMSprop dan hasilnya dibandikan Vgg16 dan mobilenet Evaluasi eksperimental yang komprehensif terhadap pendekatan yang diajukan menunjukkan bahwa pendekatan tersebut mampu mencapai tingkat akurasi yang tinggi dan skor F1 pada dataset pengumpulan kesegaran buah. Model dari Algoritma Vgg16 dan Mobilenet dengan pengujian menunjukkan bahwa model klasifikasi buah memiliki akurasi yang tinggi untuk buah kiwi yang diuji yaitu 98,89%. Nilai akurasi tertinggi adalah buah pear guava, yaitu 99,07%.

KATA KUNCI

Buah,Klasifikasi,Model dan Optimizer

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] J. Yu, A. De Antonio, and E. Villalba-mora, “Aplikasi Deep Learning (CNN, RNN) untuk Rumah Pintar?: Tinjauan Sistematis,” 2022, doi: 10.3390/komputer11020026.

[2] F. Xiao, H. Wang, Y. Li, and Y. Cao, “agronomi Teknik Deteksi dan Pengenalan Objek Berbasis Pengolahan Citra Digital dan Pembelajaran Mesin Tradisional untuk Robot Pemanen Buah dan Sayur?: Gambaran Umum dan Tinjauan,” 2023.

[3] H. S. Gill, O. I. Khalaf, Y. Alotaibi, S. Alghamdi, and F. Alassery, “Fruit Image Classification Using Deep Learning,” Comput. Mater. Contin., vol. 71, no. 2, pp. 5135–5150, 2022, doi: 10.32604/cmc.2022.022809.

[4] M. Mukhiddinov and A. Muminov, “Peningkatan Pendekatan Klasifikasi Kesegaran Buah dan,” 2022.

[5] J. C. B et al., “Studi Banding CNN dan RNN Sistem Deteksi,” vol. 1, pp. 159– 170, 2018, doi: 10.1007/978-3-030-00018-9.

[6] Y. Li, T. Zou, J. You, Y. Luo, R. Sakit, and A. Hunan, “Artikel Penelitian Pendekatan Klasifikasi Gambar Baru melalui Model Padat-MobileNet,” vol. 2020, 2020.

[7] S. Jana, R. Parekh, and B. Sarkar, Deteksi Busuk Buah dan Sayur Menggunakan Deep Learning. [8] R. Siddiqi, “Ketahanan model klasifikasi buah di bawah serangan permusuhan,” 2022.

[9] R. Salambue and M. Shiddiq, “Klasifikasi Kematangan Buah Sawit Menggunakan Model Warna RGB,” Semin. Nas. APTIKOM, pp. 434–440, 2019.

[10] S. Abdulateef and M. Salman, “A Comprehensive Review of Image Segmentation Techniques,” Iraqi J. Electr. Electron. Eng., vol. 17, no. 2, pp. 166–175, 2021, doi: 10.37917/ijeee.17.2.18.

[11] S. Ratna, “Pengolahan Citra Digital Dan Histogram Dengan Phyton Dan Text Editor Phycharm,” Technol. J. Ilm., vol. 11, no. 3, p. 181, 2020, doi: 10.31602/tji.v11i3.3294.

[12] S. Tammina, “Transfer learning using VGG-16 with Deep Convolutional Neural 57 Fakultas Teknologi Informasi (S2) Universitas Nusa Mandiri Network for Classifying Images,” Int. J. Sci. Res. Publ., vol. 9, no. 10, p. p9420, 2019, doi: 10.29322/ijsrp.9.10.2019.p9420.

[13] K. Roy, S. S. Chaudhuri, and S. Pramanik, “Deep learning based real-time Industrial framework for rotten and fresh fruit detection using semantic segmentation,” Microsyst. Technol., vol. 27, no. 9, pp. 3365–3375, 2021, doi: 10.1007/s00542-020-05123-x.

[14] U. (?????????? ????????????) ?. ?. (Chollet F. .-?. ???????? ?? P.-?. francois Chollet, Akdeniz, Deep learning With Python, vol. 1, no. 477. 2018.

[15] K. Balaji and K. Lavanya, “Medical Image Analysis With Deep Neural Networks,” Deep Learn. Parallel Comput. Environ. Bioeng. Syst., no. 3, pp. 75– 97, 2019, doi: 10.1016/b978-0-12-816718-2.00012-9.

[16] P. Gavali and J. S. Banu, “Deep Convolutional Neural Network for Image Classification on CUDA Platform,” Deep Learn. Parallel Comput. Environ. Bioeng. Syst., pp. 99–122, 2019, doi: 10.1016/b978-0-12-816718-2.00013-0.

[17] B. Yang and Y. Xu, “Applications of deep-learning approaches in horticultural research: a review,” Hortic. Res., vol. 8, no. 1, 2021, doi: 10.1038/s41438-021- 00560-9.

[18] F. D. Adhinata, N. Annisa, F. Tanjung, W. Widayat, and G. R. Pasfica, “Comparative Study of VGG16 and MobileNetV2 for Masked Face Recognition,” vol. 7, no. 2, pp. 230–237, 2021, doi: 10.26555/jiteki.v7i2.20758.

[19] N. Mimma, S. Ahmed, T. Rahman, and R. Khan, “Artikel Penelitian Aplikasi Klasifikasi dan Deteksi Buah Menggunakan Deep Learning,” vol. 2022, 2022.

[20] X. Yang, R. Zhang, Z. Zhai, Y. Pang, and Z. Jin, “Machine learning for cultivar classification of apricots (Prunus armeniaca L.) based on shape features,” Sci. Hortic. (Amsterdam)., vol. 256, 2019, doi: 10.1016/j.scienta.2019.05.051.

[21] Q. Yin, R. Zhang, and X. Shao, “CNN and RNN mixed model for image classification,” MATEC Web Conf., vol. 277, p. 02001, 2019, doi: 10.1051/matecconf/201927702001.

[22] P. N. Srinivasu, J. G. Sivasai, M. F. Ijaz, A. K. Bhoi, W. Kim, and J. J. Kang, “Networks with MobileNet V2 and LSTM,” pp. 1–27, 2021.

[23] Y. Yang, P. Zheng, F. Zeng, P. Xin, G. He, and K. Liao, “Metal Corrosion Rate 58 Fakultas Teknologi Informasi (S2) Universitas Nusa Mandiri Prediction of Small Samples Using an Ensemble Technique,” C. - Comput. Model. Eng. Sci., vol. 134, no. 1, pp. 267–291, 2023, doi: 10.32604/cmes.2022.020220.

[24] A. Kp, “Pendekatan gabungan teknik pembelajaran transfer VGG 16 dan LSTM untuk klasifikasi melanoma kulit,” vol. 6, no. April, pp. 13504–13516, 2022.

[25] L. G. Fahad, S. F. Tahir, U. Rasheed, H. Saqib, M. Hassan, and H. Alquhayz, “Fruits and Vegetables Freshness Categorization Using Deep Learning,” Comput. Mater. Contin., vol. 71, no. 2, pp. 5083–5098, 2022, doi: 10.32604/cmc.2022.023357.

[26] M. Mukhiddinov, A. Muminov, and J. Cho, “Improved Classification Approach for Fruits and Vegetables Freshness Based on Deep Learning,” Sensors, vol. 22, no. 21, 2022, doi: 10.3390/s22218192.

[27] A. Bhargava and A. Bansal, “Fruits and vegetables quality evaluation using computer vision: A review,” J. King Saud Univ. - Comput. Inf. Sci., vol. 33, no. 3, pp. 243–257, 2021, doi: 10.1016/j.jksuci.2018.06.002.

[28] S. E. Zaluchu, “Strategi Penelitian Kualitatif dan Kuantitatif Di Dalam Penelitian Agama,” Evang. J. Teol. Injili dan Pembin. Warga Jemaat, vol. 4, no. 1, p. 28, 2020, doi: 10.46445/ejti.v4i1.167.