Klasifikasi Kematangan Stroberi dengan Menggunakan Metode Convolutional Neural Network VGG-16
Muh. Fanggi Fauzan(1*); Dolly Indra(2); Abdul Rachman Manga(3);
(1) Universitas Muslim Indonesia
(2) Universitas Muslim Indonesia
(3) Universitas Muslim Indonesia
(*) Corresponding Author
AbstractStroberi merupakan komoditas hortikultura dengan nilai ekonomis tinggi, namun penentuan tingkat kematangannya di tingkat petani masih banyak dilakukan secara manual berdasarkan pengamatan visual, sehingga rawan kesalahan klasifikasi dan memerlukan waktu yang tidak sedikit, terutama karena batas warna antara kategori mentah, setengah matang, dan matang kerap tumpang tindih. Penelitian ini bertujuan membangun dan mengevaluasi model klasifikasi tingkat kematangan buah stroberi ke dalam tiga kelas menggunakan arsitektur Convolutional Neural Network (CNN) VGG-16 dengan pendekatan transfer learning. Dataset yang digunakan berjumlah 1.087 citra digital yang dihimpun dari dua sumber terbuka pada platform Kaggle, kemudian melalui tahap praproses berupa resizing 224×224 piksel dan normalisasi, serta augmentasi data, sebelum dibagi menjadi 80% data latih dan 20% data uji. Model dilatih menggunakan bobot awal ImageNet pada platform Google Colaboratory dengan bahasa pemrograman Python. Kinerja model diukur melalui metrik akurasi, presisi, recall, dan F1-score berdasarkan confusion matrix pada data uji. Penelitian ini diarahkan untuk menguji dua hipotesis, yaitu kemampuan arsitektur VGG-16 dalam membangun sistem klasifikasi tiga kelas kematangan stroberi, serta pencapaian kinerja model dengan nilai akurasi minimal 80%. Hasil yang diharapkan dari penelitian ini adalah tersedianya model klasifikasi yang akurat dan efisien, sehingga dapat menjadi alternatif solusi bagi proses sortasi stroberi otomatis serta mendukung efisiensi pascapanen dan konsistensi mutu buah
Keywordsstroberi; tingkat kematangan; convolutional neural network; VGG-16; klasifikasi citra
|
Full Text:XML |
Article MetricsAbstract view: 0 timesXML view: 0 times |
Digital Object Identifier https://doi.org/10.33096/linier.v3i3.3876
|
Cite |
References
R. Romiyadi and N. Islami Putri, “Uji Pertumbuhan dan Hasil Berbagai Varietas Tanaman Stroberi (Fragaria sp.) di Dataran Rendah,” Jurnal Greenation Pertanian dan Perkebunan , vol. 2, no. 2 SE-Articles, pp. 51–59, Mar. 2025, doi: 10.38035/jgpp.v2i2.180.
Nathania Rahadatul ‘Aisy, Yulia Agustin, and Ateng Supriatna, “Perbandingan Morfologi Stroberi (Fragaria SPP) Di La Fressa Dan Bukit Strawberry Lembang Untuk Klasifikasi Varietas,” Polygon : Jurnal Ilmu Komputer dan Ilmu Pengetahuan Alam, vol. 2, no. 4, pp. 123–131, Jul. 2024, doi: 10.62383/polygon.v2i4.171.
A. Setiawan, A. Rabi, and Y. S. Akbar Gumilang, “Pengolahan Citra untuk Sortir Buah Stroberi Berdasarkan Kematangan Menggunakan Algoritma K-Nearst Neighbors (KNN),” Blend Sains Jurnal Teknik, vol. 2, pp. 322–328, Jun. 2024, doi: 10.56211/blendsains.v2i4.551.
E. Yanti, M. Faisal, T. Wahyuni, A. R. Nanda, N. Nurnawaty, and R. Y. Bakti, “Analisis Perbandingan Kinerja Arsitektur CNN VGG19, ResNet50, EfficientNetB0, dan MobileNetV2 untuk Deteksi Wajah Asli dan Wajah Buatan AI,” Buletin Sistem Informasi dan Teknologi Islam (BUSITI), vol. 7, no. 2, pp. 106–115, 2026.
I. Sarfina, “Diagnosa Penyakit Stroberi Pada Citra Buah Dan Daun Menggunakan Metode Convolutional Neural Network (CNN),” JIMU:Jurnal Ilmiah Multidisipliner, vol. 2, no. 03 SE-Artikel, pp. 568–579, Jun. 2024.
L. Ariani, D. Indra, and F. Umar, “Klasikasi Cengkeh Menggunakan Metode Convolutional Neural Network (CNN),” LINIER: Literatur Informatika dan Komputer, vol. 2, no. 3, pp. 341–349, Oct. 2025, doi: 10.33096/linier.v2i3.3145.
A. Dwi Putro and H. Tantyoko, “Hybrid Algoritma Vgg16-Net Dengan Support Vector Machine Untuk Klasifikasi Jenis Buah dan sayuran,” Jurnal Teknologi Informasi dan Multimedia, vol. 5, no. 2 SE-Articles, pp. 56–65, doi: 10.35746/jtim.v5i2.335.
Y. Ardian, I. N. gede A. Astawa, N. D. Irawan, I. P. B. A. Pradnyana, and A. Sulistyo, “Comparative Performance Analysis of Modified VGG16 and Slim-CNN for Arabica Coffee Bean Defect Classification,” ILKOM Jurnal Ilmiah, vol. 18, no. 1, pp. 85–96, Apr. 2026, doi: 10.33096/ilkom.v18i1.3244.85-96.
M. S. Islami and E. R. Jamzuri, “SqueezeNet Image Embedding and Support Vector Machine for Recognizing Hand Gestures in Indonesian Sign Language System,” ILKOM Jurnal Ilmiah, vol. 17, no. 2, pp. 98–106, Aug. 2025, doi: 10.33096/ilkom.v17i2.2476.98-106.
S. Anraeni, D. Indra, D. Adirahmadi, S. Pomalingo, Sugiarti, and S. H. Mansyur, Strawberry Ripeness Identification Using Feature Extraction of RGB and K-Nearest Neighbor. 2021. doi: 10.1109/EIConCIT50028.2021.9431854.
Z. I. Wijayanti, “Penerapan Teknologi CNN Dalam Proses Pendeteksi Kematangan Buah Stroberi,” Uranus: Jurnal Ilmiah Teknik Elektro, Sains dan Informatika, vol. 2, no. 3 SE-Articles, pp. 1–12, Jul. 2024, doi: 10.61132/uranus.v2i3.192.
A. R. Amalia, “Klasifikasi kematangan buah stroberi menggunakan metode convolutional neural network,” 2024.
M. M. Parenreng and M. I. Syarif, “Aplikasi Pendeteksi Tingkat Kematangan Buah Strawberry,” pp. 1–6.
R. Triyogi, R. Magdalena, and B. Hidayat, “Mendeteksi Kematangan Buah Kelapa Sawit Menggunakan Convolutional Neural Network Deep Learning,” Jurnal Nasional SAINS dan TEKNIK, vol. 1, pp. 22–27, Dec. 2023, doi: 10.25124/jnst.v1i1.6732.
I. Afandy, B. Ahmad, and M. Amartharizqi, “Klasifikasi Kematangan Sawit Menggunakan Metode Convolutional Neural Network (CNN) Dengan Transfer Learning Xception,” Jurnal Ilmiah Teknologi Informasi dan Robotika, vol. 6, pp. 88–98, Dec. 2024, doi: 10.33005/jifti.v6i2.158.
A. I. Hanifah and A. Hermawan, “Klasifikasi Kematangan Pisang Menggunakan Metode Convolutional Neural Network Classification of Banana Fruit Maturity Levels Using the Convolutional Neural Network Method,” vol. 12, no. 148, pp. 169–176, 2023, doi: 10.34010/komputika.v12i2.9999.
A. Rizky et al., “Perbandiangan VGG16 dan MobileNetV2 untuk Klasifikasi Tingkat Kematangan Buah Apel,” JURNAL SISTEM KOMPUTER ASIA, vol. 3, no. 1, pp. 30–39, 2025.
T. Ramadhani and A. Rachman Manga, “Analisis Perbandingan VGG-16 dan ResNet50 untuk Klasifikasi Multilabel Gambar Kerbau Toraja: Pendekatan Deep Learning,” Jurnal Teknik, vol. 22, pp. 71–81, Dec. 2024, doi: 10.37031/jt.v22i2.490.
R. Fajri, “Klasifikasi Tingkat Kematangan Buah Strawberry Menggunakan Algoritma Logistic Regression,” vol. 4, no. 2, pp. 50–59, 2024.
Y. Ardian, I. N. gede A. Astawa, N. D. Irawan, I. P. B. A. Pradnyana, and A. Sulistyo, “Comparative Performance Analysis of Modified VGG16 and Slim-CNN for Arabica Coffee Bean Defect Classification,” ILKOM Jurnal Ilmiah, vol. 18, no. 1, pp. 85–96, Apr. 2026, doi: 10.33096/ilkom.v18i1.3244.85-96.
A. Anhar and R. Putra, “Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN),” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, p. 466, Apr. 2023, doi: 10.26760/elkomika.v11i2.466.
Herman et al., “A Comperative Study on Efficacy of CNN VGG-16, DenseNet121, ResNet50V2, And EfficientNetB0 in Toraja Carving Classification,” Indonesian Journal of Data and Science, vol. 6, no. 1 SE-Data Science, pp. 122–131, doi: 10.56705/ijodas.v6i1.220.
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 Muh. Fanggi Fauzan, Dolly Indra, Abdul Rachman Manga
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Linier: Literatur Informatika dan Komputer indexed by
ISSN 3063-2218
Published by Prodi Teknik Informatika FIK Universitas Muslim Indonesia
Website : https://jurnal.fikom.umi.ac.id/index.php/LINIER/
Email : linier@umi.ac.id
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0