Klasifikasi Buah Dan Sayuran Segar Atau Busuk Menggunakan Metode

Convolutional Neural Network Dengan Library Tensorflow Berbasis

Android
Eka Aenun Nisa1; Arita Witanti2
1,2Universitas Mercu Buana Yogyakarta

Abstrak Latar Belakang Hasil

Buah dan sayuran segar memiliki Buah dan sayuran menjadi salah satu sumber nutrisi Dalam melakukan skenario uji coba yang dilakukan
manfaat untuk membantu menjaga yang berguna dalam menjaga kesehatan tubuh berdasarkan hyperparameter, maka diperoleh rangkuman
kesehatan tubuh. Di sisi lain, buah manusia dikarenakan kandungan yang dimiliki oleh hasil sebagaimana pada Tabel 2.
dan sayuran yang sudah buah dan sayuran sangat banyak seperti mineral,
Table 2. Hasil Skenario Uji Coba
mengandung bakteri dan jamur yang antioksidan, vitamin, dan serat yang tinggi (Rarastiti,
dapat menyebabkan infeksi dan 2022). Mengonsumsi buah dan sayuran segar baik No Skenario Nilai Hasil
keracunan makanan apabila untuk kesehatan tubuh karena mengandung gizi (Acc/loss)
dikonsumsi oleh tubuh. Oleh karena yang sangat tinggi, sedangkan mengonsumsi buah 1 Optimizer ADAM 0.9559/0.1413
itu, perlu adanya sebuah sistem yang dan sayuran busuk dapat menyebabkan keracunan Gambar 1. Tahapan Penelitian
dapat melakukan klasifikasi akan dan berbahaya bagi kesehatan tubuh. Seiring dengan SGD 0.6696/0.9368
buah dan sayuran segar atau busuk. perkembangan teknologi, terdapat sebuah sistem RMSprop 0.9619/0.1053
Convolutional Neural Network (CNN) yang dapat secara otomatis mengklasifikasikan buah Analisis
dapat menjadi salah satu solusi dan sayuran yang segar atau busuk. 2 Learning 0.01 0.8089/0.4644
untuk melakukan klasifikasi terkait Rate
Teknologi pengenalan objek dengan menggunakan Berdasarkan data yang telah dikumpulkan, untuk
buah dan sayuran segar atau busuk. Convolutional Neural Network (CNN) menjadi jalan memperoleh model CNN terbaik maka dilakukan 0.001 0.6696/0.9368
Dengan menggunakan metode CNN, keluar dalam permasalahan pemilihan buah dan skenario uji coba terhadap hyperparameter, dapat
maka dapat dilakukan proses dilihat pada Tabel 1. 0.0001 0.2176/2.4148
sayuran yang berkualitas. CNN mampu
pengolahan citra pada buah dan mengklasifikasikan buah dan sayuran segar dan 3 Batch Size 16 0.8762/0.3162
sayuran untuk membedakan mana busuk secara akurat dan efisien. Komputasi yang Table 1. Fuzzyfikasi variabel/kriteria
yang masih segar dan yang busuk. 32 0.8089/0.4644
terdapat pada CNN terinspirasi dari cara kerja otak Parameter Nilai
Buah yang akan diklasifikasikan manusia. Otak manusia mengidentifikasi sebuah 64 0.7968/0.5651
adalah apel, pisang, timun, dan objek secara visual (Laily dkk., 2022). Dengan
Optimizer Adam, SGD, RMSprop
tomat. Sedangkan sayuran yang akan 4 Epochs 10 0.8762/0.3162
menggunakan teknologi ini, akan memudahkan dan Learning rate 0.01, 0.001, 0.0001
diklasifikasikan yaitu kentang dan mempersingkat waktu dalam melakukan pemilihan 15 0.8998/0.2454
Batch size 16, 32, 64
okra. Dalam proses klasifikasi ini, buah dan sayuran yang berkualitas.
hasil pengujian pada data training Epochs 10, 15, 20
20 0.9421/0.1661
menghasilkan akurasi sebesar Rumusan Masalah
90.42% dan akurasi validasi sebesar Setiap nilai dari hyperparameter dengan perolehan
94.21% dengan menggunakan Berdasarkan latar belakang tersebut, maka dalam Preprocessing nilai akurasi tertinggi akan digunakan dalam pelatihan
optimizer SGD, epoch yang berjumlah penelitian ini dirumuskan suatu permasalahan model. Namun pada hyperparameter optimizer alih-
20, besaran batch size 16, dan 0.01 bagaimana mengimplementasikan metode Preprocessing dilakukan dengan tujuan membuat
alih menggunakan RMSprop, penelitian ini justru
untuk nilai learning rate. Hasil ini Convolutional Neural Network (CNN ) untuk dataset dalam model menjadi lebih bervariatif.
menggunakan SGD. Hal ini disebabkan pelatihan
diperoleh setelah melakukan proses melakukan klasifikasi terhadap buah dan sayuran Proses preprocessing ditujukan pada Gambar 2.
model dengan SGD, pada setiap epochs mengalami
skenario uji coba pada beberapa segar atau busuk pada perangkat Android kenaikan akurasi dibanding ADAM dan RMSprop.
hyperparameter seperti jenis didasarkan pada tingkat akurasi yang diperoleh pada
optimizer, jumlah epochs, besaran saat klasifikasi citra buah dan sayuran.
batch size, dan learning rate.
Sedangkan untuk data testing
memperoleh akurasi sebesar 80.83%. Tujuan & Manfaat
Kata kunci: Convolutional Neural Tujuan dari penelitian ini adalah untuk membangun
Network, Buah, Sayuran, Sistem, sistem klasifikasi buah dan sayuran segar atau busuk
Klasifikasi. berbasis Android.

Manfaat dari penelitian ini diharapkan sistem ini Gambar 2. Flowchart Preprocessing
masyarakat dapat memilih buah serta sayuran yang
segar dan berkualitas untuk dikonsumsi dengan
lebih mudah dan efektif sehingga mengurangi Desain Gambar 4. Confusion Matrix Pada Data Uji

kemungkinan terjadinya kerugian yang dapat timbul

Desain flowchart sistem klasifikasi ini dapat dilihat
akibat mengkonsumsi buah atau sayuran yang
pada Gambar 3. Kesimpulan
busuk.
Berdasarkan confusion matrix pada data uji, model CNN
memperoleh akurasi mencapai 80.83%. Sedangkan pada
pelatihan model memperoleh akurasi sebesar 94.21%.

Metode Referens
i Untuk Keselamatan dan Kesehatan Kerja
Laily, M. E., Fajri, F. N., & Pratamasunu, G. Q. O. (2022). Deteksi Penggunaan
Alat Pelindung Diri (APD)
Secara garis besar proses jalannya penelitian ini Menggunakan Metode Mask Region Convolutional Neural Network (Mask R-
Kontak dibagi menjadi 6 tahapan, seperti terlihat pada CNN). Jurnal Komputer
https://doi.org/10.35143/jkt.v8i2.5732
Terapan, 8(2), Article 2.
Gambar 1.
Eka Aenun Nisa Gambar 3. Flowchart Aplikasi Rarastiti, C. N. (2022). Hubungan Pengetahuan Gizi Seimbang dengan Konsumsi
eka.aenunnisa@gmail.com Buah dan Sayur pada Remaja. Jurnal Penelitian Inovatif, 2(2), Article 2.
Dibiayai oleh: https://doi.org/10.54082/jupin.80
Arita Witanti arita
Direktorat Riset dan Pengabdian Masyarakat
@mercubuana-yogya.ac.id Direktorat Jendral Penguatan Riset dan Pengembangan
Kementrian Riset, Teknologi, dan Pendidikan Tinggi
Sesuai dengan Kontrak Nomor :
109/SP2H/LT/DRPM/2018 dan Kontrak Nomor :
176/LPPM/UMBY/II/2018