Klasifikasi Non-Destruktif Kemanisan Semangka Manohara Menggunakan Transfer Learning VGG-16

Abstract

Semangka (Citrullus lanatus) merupakan buah tropis populer di Indonesia karena rasanya yang manis dan kandungan airnya yang tinggi. Penentuan tingkat kemanisan masih banyak dilakukan secara destruktif dengan refraktometer, sehingga kurang efisien. Penelitian ini bertujuan mengklasifikasikan tingkat kemanisan semangka Manohara secara non-destruktif berdasarkan ciri fisik luar menggunakan Convolutional Neural Network (CNN) dengan arsitektur VGG-16 dan pendekatan transfer learning. Data dikumpulkan secara mandiri dan dibagi menjadi 80% data latih, 10% validasi, dan 10% uji. Model menggunakan Adam Optimizer dan Softmax sebagai classifier. Hasil terbaik diperoleh pada skenario ke-4 dengan akurasi 67,42%. Namun, model menunjukkan gejala underfitting dan kecenderungan mengklasifikasi ke satu kelas. Penelitian ini menunjukkan potensi awal penggunaan visi komputer dalam seleksi kualitas semangka secara otomatis dan non-destruktif, meskipun masih diperlukan peningkatan akurasi agar dapat diimplementasikan secara praktis di lapangan.