Penerapan Deep Learning untuk Klasifikasi Buah Menggunakan Algoritma Convolutional Neural Network (CNN)

Abstract

Buah merupakan bagian tumbuhan yang tertanam pada tanah sehingga tumbuh menjadi besar, berdaging dan memiliki banyak kandungan air. Terdapat sekitar 295.383 spesies tumbuhan berbiji yang dapat menghasilkan buah. Dengan memanfaatkan artificial intelligence terkhusus deep learning akan memudahkan dalam klasifIkasi buah. Dalam penelitian ini, peneliti menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV1 menghasilkan model klasifikasi buah. Data yang digunakan adalah dataset buah dari platform Kaggle yaitu dataset fruit 360. Data terdiri dari 10 jenis buah buah (Alpukat, Apel, Jeruk, Jeruk Lemon, Jeruk Nipis, Mangga, Nanas, Pisang, Semangka dan Strawberry) sebanyak 4729 citra training dan 1586 citra testing citra dengan ukuran 100×100 pixel yang telah diubah menjadi ukuran 224×224 pixel. Tahapan penelitian ini dimulai dari persiapan dataset citra buah, preprocessing dataset yaitu resize citra, pemodelan arsitektur Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV1. Hasil penelitian ini dapat melakukan klasifikasi buah kedalam 10 kelas menjadi suatu model dan labels, menghasilkan model klasifikasi buah dengan akurasi pada pengujian model terhadap data training 100% dan akurasi pada pengujian model terhadap data testing sebesar 100%.The fruit is the part of the plant that is embedded in the soil so that it grows large, fleshy and has a lot of water content. There are about 295,383 species of seed plants that can produce fruit. By utilizing artificial intelligence, especially deep learning, it will make it easier to classify fruit. In this study, researchers used the Convolutional Neural Network (CNN) algorithm with the MobileNetV1 architecture to produce a fruit classification model. The data used is the fruit dataset from the Kaggle platform, namely the fruit 360 dataset. The data consists of 10 types of fruit (Avocado, Apple, Orange, Lemon, Lime, Mango, Pineapple, Banana, Watermelon and Strawberry) with 4729 training images and 1586 image testing image with a size of 100×100 pixels which has been converted to a size of 224×224 pixels. The stages of this research started with preparing fruit image datasets, preprocessing datasets, namely resizing images, modeling the Convolutional Neural Network (CNN) architecture using the MobileNetV1 architecture. The results of this study can classify fruit into 10 classes into a model and labels, producing a fruit classification model with 100% accuracy in model testing of training data and 100% accuracy in model testing of data testing.