Klasifikasi Multi-Label Jenis dan Warna Buah Menggunakan Convolutional Neural Network (CNN) dengan Encoder Fitur
DOI:
https://doi.org/10.38204/tematik.v12i1.2328Keywords:
klasifikasi multi-label, CNN, ResNet-50, Fruit-360, cross-validation, klasifikasi buahAbstract
Indonesia merupakan negara tropis dengan keanekaragaman buah yang sangat tinggi, baik dari segi jenis maupun warna. Tantangan utama dalam klasifikasi buah secara otomatis terletak pada kompleksitas pengenalan atribut ganda, seperti jenis dan warna, secara simultan di tengah variasi kondisi nyata seperti pencahayaan, latar belakang, dan sudut pandang gambar. Penelitian ini bertujuan untuk mengembangkan model klasifikasi multi-label buah menggunakan arsitektur Convolutional Neural Network (CNN) yang dilengkapi encoder ResNet-50 guna mengenali jenis dan warna buah secara bersamaan dengan tingkat akurasi dan generalisasi yang tinggi. Metode yang digunakan melibatkan pelatihan model pada dataset Fruit-360 yang berskala besar dan memiliki keragaman tinggi, serta penerapan teknik n-fold cross-validation untuk meningkatkan validitas hasil dan mengurangi risiko overfitting. Hasil penelitian menunjukkan bahwa model dengan augmentasi data mencapai akurasi validasi hingga 97%, dengan precision sebesar 98,20% dan recall 97,61%, yang membuktikan efektivitas pendekatan multi-label dalam klasifikasi atribut visual buah secara simultan.
Downloads
References
Edwin Febrywinata, “Pengenalan Dan Klasifikasi Jenis Buah Menggunakan Metode CNN Secara Sederhana Dengan Menggunakan Google Colab,” Merkurius J. Ris. Sist. Inf. dan Tek. Inform., vol. 2, no. 4, pp. 185–193, 2024, doi: 10.61132/merkurius.v2i4.162.
S. Noris and A. Waluyo, “Penerapan Deep Learning untuk Klasifikasi Buah Menggunakan Algoritma Convolutional Neural Network (CNN),” J. Teknol. Sist. Inf. dan Apl., vol. 6, no. 1, pp. 39–46, 2023, doi: 10.32493/jtsi.v6i1.29648.
R. Namruddin, Mirfan, and Irfandi, “Klasifikasi Kesegaran Buah Apel Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Android,” Pros. SISFOTEK, pp. 295–302, 2023.
Anissa Ollivia Cahya Pratiwi, “Klasifikasi Jenis Anggur Berdasarkan Bentuk Daun Menggunakan Convolutional Neural Network Dan K-Nearest Neighbor,” J. Ilm. Tek. Inform. dan Komun., vol. 3, no. 2, pp. 201–224, 2023, doi: 10.55606/juitik.v3i2.535.
Handoko Adji Pangestu and Kusrini, “Peningkatan kinerja arsitektur ResNet50 untuk Menangani Masalah Overfitting dalam Klasifikasi Penyakit Kulit,” Tematik, vol. 11, no. 1, pp. 65–71, 2024, doi: 10.38204/tematik.v11i1.1876.
Yazid Fauzan Nur Ashfani, Yovi Litanianda, and Rizqy Amalia Putri, “Klasifikasi Jenis Buah Jeruk Menggunakan Metode Convolutional Neural Network: Deep Learning Studi,” Uranus J. Ilm. Tek. Elektro, Sains dan Inform., vol. 2, no. 2, pp. 70–79, 2024, doi: 10.61132/uranus.v2i2.129.
F. Paraijun, R. N. Aziza, and D. Kuswardani, “Implementasi Algoritma Convolutional Neural Network Dalam Mengklasifikasi Kesegaran Buah Berdasarkan Citra Buah,” Kilat, vol. 11, no. 1, pp. 1–9, 2022, doi: 10.33322/kilat.v10i2.1458.
E. Oktafanda, “Klasifikasi Citra Kualitas Bibit dalam Meningkatkan Produksi Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN),” J. Inform. Ekon. Bisnis, vol. 4, no. 3, pp. 72–77, 2022, doi: 10.37034/infeb.v4i3.143.
X. Liu and Y. Hu, “Multi-Label Image Classification Based on Object Detection and Dynamic,” 2024, doi: 10.32604/cmc.2024.053938.
P. Sukhetha, N. Hemalatha, and R. Sukumar, “Classification of fruits and vegetables using ResNet model.,” agriRxiv, vol. 2021, no. August, 2021, doi: 10.31220/agrirxiv.2021.00075.
E. Setia Budi, A. Nofriyaldi Chan, P. Priscillia Alda, and M. Arif Fauzi Idris, “RESOLUSI : Rekayasa Teknik Informatika dan Informasi Optimasi Model Machine Learning untuk Klasifikasi dan Prediksi Citra Menggunakan Algoritma Convolutional Neural Network,” Media Online, vol. 4, no. 5, p. 509, 2024, [Online]. Available: https://djournals.com/resolusi
F. Muhammad, A. M. Arimurthy, and D. Chahyati, “Transfer Learning dengan Metode Fine Tuning pada Model Network VGG16 dan ResNet50,” Indones. J. Comput. Sci. Attrib., vol. 12, no. 1, pp. 361–374, 2023.
B. Dan, S. Di, and P. Tradisional, “IMPLEMENTASI CNN RESNET50 UNTUK MENDETEKSI KUALITAS,” vol. 9, no. 3, pp. 3675–3682, 2025.
T. Bariyah, M. A. Rasyidi, and N. Ngatini, “Convolutional Neural Network untuk Metode Klasifikasi Multi-Label pada Motif Batik,” Techno.Com, vol. 20, no. 1, pp. 155–165, 2021, doi: 10.33633/tc.v20i1.4224.
Y. Jumaryadi, A. Muhammad Ihsan, and B. Priambodo, “KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Jenis Buah-Buahan Menggunakan Citra Digital Dengan Metode Convolutional Neural Networks,” Media Online, vol. 4, no. 3, pp. 1737–1746, 2023, doi: 10.30865/klik.v4i3.1421.
S. Dewi, F. Ramadhani, and S. Djasmayena, “Klasifikasi Jenis Jerawat Berdasarkan Gambar Menggunakan Algoritma CNN (Convolutional Neural Network),” Hello World J. Ilmu Komput., vol. 3, no. 2, pp. 68–73, 2024, doi: 10.56211/helloworld.v3i2.518.
P. Dewi, P. Purwono, and S. Kurniawan Dwi, “Pemanfaatan Teknologi Machine Learning pada Klasifikasi Jenis Hipertensi Berdasarkan Fitur Pribadi,” Smart Comp Jurnalnya Orang Pint. Komput., vol. 11, no. 3, pp. 377–387, 2022, doi: 10.30591/smartcomp.v11i3.3721.
R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN),” J. Edukasi dan Penelit. Inform., vol. 5, no. 2, p. 157, 2019, doi: 10.26418/jp.v5i2.32473.
W. Hidayat, M. Ardiansyah, and A. Setyanto, “Pengaruh Algoritma ADASYN dan SMOTE terhadap Performa Support Vector Machine pada Ketidakseimbangan Dataset Airbnb,” Edumatic J. Pendidik. Inform., vol. 5, no. 1, pp. 11–20, 2021, doi: 10.29408/edumatic.v5i1.3125.
A. B. Prakosa, Hendry, and R. Tanone, “Implementasi Model Deep Learning Convolutional Neural Network (CNN) Pada Citra Penyakit Daun Jagung Untuk Klasifikasi Penyakit Tanaman,” J. Pendidik. Teknol. Inf., vol. 6, no. 1, pp. 107–116, 2023.
