Klasifikasi Buah Berry menggunakan Metode Residual Network (ResNet-50)

Titus Bintang Pekiek  Putu Sangyoga; Mutaqin Akbar

doi:10.55382/jurnalpustakadata.v5i2.1108

Penulis

Titus Bintang Pekiek Putu Sangyoga Universitas Mercu Buana Yogyakarta
Mutaqin Akbar Universitas Mercu Buana Yogyakarta

DOI:

https://doi.org/10.55382/jurnalpustakadata.v5i2.1108

Kata Kunci:

Klasifikasi Citra, Buah Berry, Deep Learning, Residual Network, ResNet-50

Abstrak

Buah berry dikenal memiliki manfaat gizi tinggi, namun tantangan dalam membedakan jenis-jenisnya secara akurat masih sering terjadi, khususnya dalam industri pertanian dan distribusi di Indonesia. Penelitian ini bertujuan untuk membangun sistem klasifikasi otomatis buah berry menggunakan metode deep learning dengan arsitektur Residual Network (ResNet-50). Dataset yang digunakan terdiri dari 1.000 citra empat jenis buah berry: blackberry, blueberry, raspberry, dan strawberry, yang diperoleh dari sumber publik seperti Kaggle, Roboflow, serta penelitian terdahulu. Data citra kemudian melalui tahap pra-processing berupa resize, normalisasi piksel, dan augmentasi data agar sesuai dengan format input ResNet-50. Model dilatih menggunakan parameter pretrained dari ImageNet dengan pembekuan seluruh lapisan kecuali fully connected layer. Evaluasi performa dilakukan melalui confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model berhasil mencapai akurasi klasifikasi sebesar 100% pada data uji, yang berarti seluruh citra berhasil diklasifikasikan dengan benar. Hal ini menunjukkan bahwa pendekatan klasifikasi menggunakan ResNet-50 sangat efektif dalam mengidentifikasi jenis buah berry berdasarkan fitur visual citra. Penelitian ini diharapkan dapat menjadi solusi yang andal dalam mendukung otomasi klasifikasi buah dalam sektor pertanian maupun industri pangan.

Unduhan

Data unduhan belum tersedia.

Referensi

S. H. Nile and S. W. Park, “Edible berries: Bioactive components and their effect on human health,” Nutrition, vol. 30, no. 2, pp. 134–144, Feb. 2014, doi: 10.1016/j.nut.2013.04.007.

R. C. Megananda and B. Gandamastuti, “Potensi nutrasetikal buah berry dalam industri pangan: Artikel review,” 2023.

Ismail, Nurhikma Arifin, and Prihastinur, “Klasifikasi Kematangan Buah Naga Berdasarkan Fitur Warna Menggunakan Algoritma Multi-Class Support Vector Machine,” J. Inform. Teknol. Dan Sains, vol. 5, no. 1, pp. 121–126, Feb. 2023, doi: 10.51401/jinteks.v5i1.2203.

A. R. Damanik, S. Annisa, A. I. Rafeli, A. S. Liana, and D. S. Prasvita, “Klasifikasi Jenis Buah Cherry Menggunakan Support Vector Machine (SVM) Berdasarkan Tekstur dan Warna Citra,” Pros. Semin. Nas. Mhs. Bid. Ilmu Komput. Dan Apl., vol. 3, no. 1, Art. no. 1, Oct. 2022.

R. S. Ilhamy and U. P. Sanjaya, “Algoritma K-Nearest Neighbors (KNN) untuk Klasifikasi Citra Buah Pisang dengan Ekstraksi Ciri Gray Level Co-Occurrence,” J. Telematika, vol. 17, no. 2, pp. 88–93, Feb. 2023, doi: 10.61769/telematika.v17i2.525.

H. R. Cahyaputra and R. Rahmadewi, “KLASIFIKASI TINGKAT KEMATANGAN BUAH PAPRIKA MENGGUNAKAN METODE K-NEAREST NEIGHBOR BERDASARKAN WARNA RGB MELALUI APLIKASI MATLAB,” JIPI J. Ilm. Penelit. Dan Pembelajaran Inform., vol. 9, no. 1, pp. 242–249, Feb. 2024, doi: 10.29100/jipi.v9i1.4440.

F. Santoso and E. Hartati, “Penggunaan Algoritma Random Forest Dalam Klasifikasi Buah Segar Dan Busuk,” J. Algoritme, vol. 3, no. 1, pp. 133–140, Oct. 2022, doi: 10.35957/algoritme.v3i1.3404.

A. Putra Argadinata, D. Abdul Fatah, and H. Sukri, “KLASIFIKASI KUALITAS BUAH APEL MENGGUNAKAN METODE RANDOM FOREST,” JATI J. Mhs. Tek. Inform., vol. 9, no. 2, pp. 2016–2022, Mar. 2025, doi: 10.36040/jati.v9i2.12854.

S. Juliansyah and A. D. Laksito, “Klasifikasi Citra Buah Pir Menggunakan Convolutional Neural Network,” vol. 11, no. 1, pp. 65–72, Apr. 2021, doi: 10.22441/incomtech.v11i1.10185.

J. D. Marfianto and M. Akbar, “Klasifikasi Jenis Buah Nanas Menggunakan Convolution Neural Network,” J. Transform., vol. 21, no. 1, Art. no. 1, Aug. 2023, doi: 10.26623/transformatika.v21i2.6369.

A. Kamilaris and F. X. Prenafeta-Boldú, “Deep learning in agriculture: A survey,” Comput. Electron. Agric., vol. 147, pp. 70–90, Apr. 2018, doi: 10.1016/j.compag.2018.02.016.

K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” Dec. 10, 2015, arXiv: arXiv:1512.03385. doi: 10.48550/arXiv.1512.03385.

A. Faaizah and M. Akbar, “Sistem Klasifikasi Buah Berry Menggunakan Image Berry Dengan Metode Learning Vector Quantization,” IKRA-ITH Inform. J. Komput. Dan Inform., vol. 7, no. 3, pp. 85–92, Nov. 2023, doi: 10.37817/ikraith-informatika.v7i3.3066.

A. Ridhovan and A. Suharso, “Penerapan Metode Residual Network (Resnet) Dalam Klasifikasi Penyakit Pada Daun Gandum,” JIPI J. Ilm. Penelit. Dan Pembelajaran Inform., vol. 7, no. 1, pp. 58–65, Feb. 2022, doi: 10.29100/jipi.v7i1.2410.

N. Nurlinda, E. Hasmin, and J. Jufri, “Deteksi Penyakit Rumput Laut Dengan Residual Neural Network,” J. Tek. Inf. Dan Komput. Tekinkom, vol. 7, no. 2, p. 637, Dec. 2024, doi: 10.37600/tekinkom.v7i2.1621.

M. I. Anshori, M. A. Zafar Sidiq, R. A. Yaqin, and I. W. Prasetyo Agung, “Klasifikasi Jenis Jerawat Secara Otomatis Dengan Convolutional Neural Network Menggunakan Arsitektur Resnet-50,” J. Manaj. Inform. JAMIKA, vol. 15, no. 1, pp. 73–84, Apr. 2025, doi: 10.34010/jamika.v15i1.13712.

W. Setiawan, “Klasifikasi Citra Histopatologi Kanker Payudara menggunakan Data Resampling Random dan Residual Network,” J. Sist. Inf. BISNIS, vol. 11, no. 1, pp. 70–77, Aug. 2021, doi: 10.21456/vol11iss1pp70-79.

K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” 2015, arXiv. doi: 10.48550/ARXIV.1512.03385.

S. Sathyanarayanan, “Confusion Matrix-Based Performance Evaluation Metrics,” Afr. J. Biomed. Res., pp. 4023–4031, Nov. 2024, doi: 10.53555/AJBR.v27i4S.4345.

Ž. Ð. Vujovic, “Classification Model Evaluation Metrics,” Int. J. Adv. Comput. Sci. Appl., vol. 12, no. 6, 2021, doi: 10.14569/ijacsa.2021.0120670.