Rancang Bangun Aplikasi Pembelajaran Interaktif Siswa Berbasis Android Menggunakan Metode Convolutional Neural Network
Abstract
Jenis Pengenalan buah merupakan materi penting dalam pembelajaran siswa tingkat dasar, namun metode pembelajaran konvensional masih kurang interaktif dan belum memanfaatkan teknologi secara optimal. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan aplikasi Android pengenalan buah berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 sebagai media pembelajaran interaktif. Metode penelitian yang digunakan adalah Research and Development (R&D), yang meliputi studi literatur, pengumpulan dan pra-pemrosesan citra buah, pengembangan dan evaluasi model CNN, model implementasi ke dalam aplikasi Android, serta pengujian aplikasi. Dataset yang digunakan terdiri dari 20 kelas buah dan dikembangkan menggunakan teknik transfer learning , kemudian dikonversi ke format TensorFlow Lite . Hasil penelitian menunjukkan bahwa model CNN MobileNetV2 mencapai akurasi pengujian sebesar 90% dengan kinerja yang baik. Aplikasi Android Belajar Buah berhasil diimplementasikan dan seluruh fitur berjalan sesuai fungsinya. Aplikasi ini dapat digunakan sebagai media pembelajaran berbasis kecerdasan buatan yang interaktif dan efektif.
Downloads
References
K. S. Kartini dan I. N. T. A. Putra, “Pengaruh Penggunaan Media Pembelajaran Interaktif Berbasis Android Terhadap Hasil Belajar Siswa,” J. Redoks J. Pendidik. Kim. Dan Ilmu Kim., vol. 3, no. 2, hal. 8–12, 2020, doi: 10.33627/re.v3i2.417.
U. B. Harsiwi dan L. D. D. Arini, “Pengaruh Pembelajaran Menggunakan Media Pembelajaran Interaktif terhadap Hasil Belajar Siswa di Sekolah Dasar,” J. Basicedu, vol. 5, no. 5, hal. 3(2), 524–532, 2020, [Daring]. Tersedia pada: https://journal.uii.ac.id/ajie/article/view/971
N. Deliany, A. Hidayat, dan Y. Nurhayati, “Penerapan Multimedia Interaktif untuk Meningkatkan Pemahaman Konsep IPA Peserta Didik di Sekolah Dasar,” Educ. J. Pendidik. Dan Pembelajaran, vol. 17, no. 2, hal. 90–97, 2019, [Daring]. Tersedia pada: https://doi.org/10.36555/educare.v17i2.247
M. & D. Selvi, “Aplikasi Media Pembelajaran Bahasa Inggris Menggunakan Unity 2D,” JUTINDA J. Inform. Unanda, vol. 3, no. 2, hal. 40–45, 2024, [Daring]. Tersedia pada: https://ojs.unanda.ac.id/index.php/jutinda
F. F. Maulana dan N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, hal. 104–108, 2019, doi: 10.26740/jinacs.v1n02.p104-108.
Ahmad Fariz Fuady, Dwiky Oldi Amsyah, Muhammad Farhan, Rusma Riansyah, dan M. Dayyan Dhiyaul Haq, “Implementasi Algoritma Convolutional Neural Network (CNN) untuk Pengenalan dan Klasifikasi Buah Berdasarkan Citra Digital,” J. Publ. Ilmu Komput. dan Multimed., vol. 4, no. 2, hal. 148–159, 2025, doi: 10.55606/jupikom.v4i2.4116.
R. A. Ines Heidiani Ikasari, Perani Rosyani, “Klasifikasi Jenis Buah Menggunakan Metode CNN,” J. Artif. Intell. Digit. Bus., vol. 4, no. 2, hal. 5451–5458, 2025.
E. Febrywinata, “Pengenalan Dan Klasifikasi Jenis Buah Menggunakan Metode CNN Secara Sederhana Dengan Menggunakan Google Colab,” Merkurius J. Ris. Sist. Inf. dan Tek. Inform., vol. 2, no. 4, hal. 185–193, 2024.
L. Huang, C. Yao, L. Zhang, S. Luo, F. Ying, dan W. Ying, “Enhancing computer image recognition with improved image algorithms,” Sci. Rep., vol. 14, no. 1, hal. 1–11, 2024, doi: 10.1038/s41598-024-64193-3.
T. Setyobudi, “APLIKASI PENGENALAN TOKOH WAYANG KULIT BERBASIS ANDROID DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK ANAK SD,” UNIVERSITAS PGRI SEMARANG, 2024.
M. S. Hawibowo, “Aplikasi Pengklasifikasi Kematangan Pepaya Menggunakan Metode Cnn Berbasis Android,” 2024.
S. I. Komariah et al., “Media Pembelajaran Pengenalan Buah (Fruits Zone) untuk Anak KB Menggunakan Deep Learning,” MIND (Multimedia Artif. Intell. Netw. Database) J., vol. 9, no. 1, hal. 13–24, 2024, [Daring]. Tersedia pada: https://doi.org/10.26760/mindjournal.v9i1.13-24
S. I. Komariah et al., “Fruit Zone : Media Pembelajaran Interaktif Pengenalan Buah Anak Kelompok Belajar Menggunakan ResNet18,” Fakt. Exacta, vol. 17, no. 1, hal. 20–29, 2024, doi: 10.30998/faktorexacta.v17i1.21101.
S. Salsabila dan Y. Gumala, “Kajian Literature : Media Pembelajaran Interaktif Di Sekolah Dasar,” Pediaqu J. Pendidik. Sos. dan Hum., vol. 4, no. 2, hal. 2706–2723, 2025, [Daring]. Tersedia pada: https://publisherqu.com/index.php/pediaqu
A. Z. K. F. & Q. M. ul H. Purwono, Alfian Ma’arif, Wahyu Rahmaniar, Haris Imam Karim Fathurrahman, “Understanding of Convolutional Neural Network (CNN): A Review,” Int. J. Robot. Control Syst., vol. 2, no. 4, hal. 739–748, 2022, doi: 10.31763/ijrcs.v2i4.888.
M. Sandler, A. Howard, M. Zhu, dan A. Zhmoginov, “MobileNetV2 : Inverted Residuals and Linear Bottlenecks,” Proc. IEEE Conf. Comput. Vis. pattern Recognit., hal. 4510–4520, 2018.
S. Bianco, R. Cadene, dan L. Celona, “Benchmark Analysis of Representative Deep Neural Network Architectures,” IEEE Access, vol. 6, hal. 64270–64277, 2020, doi: 10.1109/ACCESS.2018.2877890.
B. Zoph, G. Brain, dan J. Shlens, “Learning Transferable Architectures for Scalable Image Recognition,” Proc. IEEE Conf. Comput. Vis. pattern Recognit., hal. 8697–8710, 2018.
A. C. Hartono dan A. R. Muslikh, “Penerapan Transfer Learning MobileNetV2 Pada Klasifikasi Citra Jenis Buah-Buahan Applying MobileNetV2 Transfer Learning for Image Classification of Fruit Types,” J. Inf. Syst. Appl. Dev., vol. 3, no. 2, hal. 103–111, 2025, doi: 10.26905/jisad.v3i2.16187.
A. Syakuroh, F. Monado, M. Ariani, dan E. Koriyanti, “ANALISIS AKURASI MODEL MOBILENETV2 DALAM KLASIFIKASI CITRA X-RAY UNTUK DETEKSI KONDISI PARU-PARU,” J. ONLINE Phys., vol. 10, no. 3, hal. 67–74, 2025.
S. S. Rambe, A. Asriyanik, dan P. Prajoko, “Penerapan Model Convolutional Neural Network ( Cnn ) Berbasis Mobilenetv2 Untuk,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 3, 2025.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
