KLASIFIKASI TINGKAT KEMATANGAN CITRA BUAH TOMAT MENGGUNAKAN DENSENET-121
DOI:
https://doi.org/10.23960/jitet.v13i3.6652Abstract Views: 77 File Views: 51
Abstract
Tomat merupakan komoditas penting dalam sektor pertanian, yang kualitasnya ditentukan oleh tingkat kematangan. Penilaian kematangan secara manual sering kali bersifat subjektif dan kurang konsisten dalam skala besar, sehingga diperlukan sistem klasifikasi otomatis berbasis citra. Penelitian ini mengusulkan penggunaan arsitektur DenseNet-121 untuk mengklasifikasikan tingkat kematangan buah tomat menjadi tiga kelas: matang, setengah matang, dan mentah. Dataset yang digunakan berjumlah 600 citra yang diambil dari data publik Kaggle dan data primer. Hasil pelatihan menunjukkan peningkatan akurasi signifikan dari 65,26% menjadi 100% dalam 10 epoch, dengan nilai loss akhir 0,0016. Evaluasi menunjukkan akurasi 99%, serta precision, recall, dan F1-score sebesar 0,99 untuk semua kelas. Hasil ini membuktikan bahwa DenseNet121lebih unggul mengidentifikasi karakteristik visual objek dalam sistem klasifikasi citra berbasis machine learning.Downloads
References
A. B. M. Widat, A. Baijuri, and F. Lazim, “Klasifikasi Kematangan Citra Buah Tomat Berdasarkan Ekstraksi Fitur Warna Menggunakan Metode K-NN,” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 1779–1786, 2024, doi: 10.33379/gtech.v8i3.4539.
N. Arifin, C. N. Insani, and M. R. Rasyid, “Klasifikasi Tingkat Kematangan Buah Tomat menggunakan Computer Vision untuk Smart Agriculture,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 22, no. 2, p. 509, 2023, doi: 10.53513/jis.v22i2.8387.
E. Widyastuti, A. Hermawan, D. Avianto, T. Informasi, U. T. Yogyakarta, and G. Z. Tomato, “Klasifikasi tomat berdasarkan varietas dengan ekstraksi fitur rgb dan algoritma naïve bayes,” vol. 8, pp. 127–137, 2025.
S. Gustina, “Aplikasi Machine Learning untuk Mendeteksi Kematangan Tomat menggunakan Metode Backpropagation,” J. Engine Energi, Manufaktur, dan Mater., vol. 8, pp. 81–88, 2024, [Online]. Available: https://ejournal.up45.ac.id/index.php/Jurnal_ENGINE/article/view/1815%0Ahttps://ejournal.up45.ac.id/index.php/Jurnal_ENGINE/article/download/1815/1001
I. Irma, M. Muchtar, R. Adawiyah, and S. Sarimuddin, “Klasifikasi Tingkat Kematangan Cabai Merah Keriting Menggunakan Svm Multiclass Berdasarkan Ekstraksi Fitur Warna,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, pp. 1747–1755, 2024, doi: 10.23960/jitet.v12i3.4430.
S. Aras, P. Tanra, and M. Bazhar, “Deteksi Tingkat Kematangan Buah Tomat Menggunakan YOLOv5,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 623–628, 2024, doi: 10.57152/malcom.v4i2.1270.
C. A. Sanjaya, M. Waluyo, and T. Industri, “ANALISIS PERBANDINGAN METODE TRANSFER LEARNING DENSENET201 DAN VGG-19 TERHADAP,” vol. 13, no. 1, 2025.
F. Sains and U. T. Yogyakarta, “SISTEM PREDIKSI TINGKAT KEMATANGAN BUAH TOMAT MENGGUANAKAN ARSITEKTUR VGG16,” vol. 5, no. 3, pp. 401–414, 2024, doi: 10.46576/djtechno.
A. R. Atmaja, U. Islam, and N. Sumatera, “Penerapan Local Binary Pattern ( Lbp ) Dan K-Nearest Neighbors ( Knn ) Untuk Mendeteksi,” vol. 4307, no. August, pp. 1028–1037, 2024.
W. Wijaya Kusuma, R. Rizal Isnanto, A. Fauzi, and P. Korespondensi, “DenseNet121 Menggunakan Kerangka Kerja TensorFlow untuk Deteksi Jenis Hewan,” J. Tek. Komput., vol. 1, no. 4, pp. 141–147, 2023, doi: 10.14710/jtk.v1i4.37009.
D. Lisa and R. Putri, “KLASIFIKASI CITRA JENIS HIJAB MENGGUNAKAN DENSENET-121,” vol. 13, no. 1, 2025.
B. Maulana Alfaruq, D. Erwanto, and I. Yanuartanti, “Klasifikasi Kematangan Buah Tomat Dengan Metode Support Vector Machine,” Gener. J., vol. 7, no. 3, pp. 64–72, 2023, doi: 10.29407/gj.v7i3.21092.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Informatika dan Teknik Elektro Terapan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
