<![CDATA[ABSTRACT Star fruit classification is needed to maintain quality and improve competitiveness. Star fruit-based sweetness can be done destructively and non-destructively. Nondestructive can be done by measuring the correlation value of red, green, blue (RGB) star fruit image with Total Dissolved Solids (TPT) contained in starfruit. This study aims to develop an artificial intelligence system model to classify star fruit non-destructively based on the red-green-blue component using Neural Network (NN). The input parameter used is the red-green-blue component of the star fruit image which has been correlated to the TPT. The amount of sample data used is 99 pieces, which is 33 sweet starfruit image, 33 medium starfruit image and 33 image starfruit acid. A total of 81 data were used as training data and 18 data were used as test data. To obtain the best introductory results experiments were conducted using 6 variations of the number of neurons in the hidden layer. The classification into acid, medium and sweet fruit classes in this study obtained the best NN model using red, green and blue input parameters with 2 neurons in the hidden layer. The NN backpropatation 3-2-1 model provides an accuracy of 66.67% with 2 neurons in the hidden layer, MSE of 4.73e-06 on epoch 1. Keyword : classification, neural network, starfruit, non-destructive grading, pattern recognition. ABSTRAK Pemutuan buah belimbing sangat diperlukan untuk mempertahankan mutu dan meningkatkan daya saing. Pemutuan buah belimbing berdasarkan rasa dapat dilakukan secara destruktif dan nondestruktif. Nondestruktif dapat dilakukan dengan mengukur korelasi nilai red, green, blue (RGB) citra buah belimbing dengan Total Padatan Terlarut (TPT) yang terdapat pada belimbing. Penelitian ini bertujuan untuk mengembangkan model sistem kecerdasan buatan untuk mengklasifikasi buah belimbing secara non-destruktif berdasarkan komponen red-green-blue menggunakan Neural Network (NN). Parameter input yang digunakan adalah komponen red-green-blue dari citra buah belimbing yang telah dikorelasikan terhadapTPT. Jumlah sampel data yang digunakan adalah 99 buah, yaitu 33 citra belimbing manis, 33 citra belimbing sedang dan 33 citra belimbing asam. Sejumlah 81 data digunakan sebagai data pelatihan dan 18 data digunakan sebagai data pengujian. Untuk mendapatkan hasil pengenalan terbaik dilakukan percobaan-percobaan menggunakan 6 variasi jumlah neuron pada lapisan tersembunyi. Klasifikasi menjadi kelas buah asam, sedang dan manis dalam penelitian ini mendapatkan model NN terbaik menggunakan parameter input red, green dan blue dengan 2 neuron pada lapisan tersembunyi. Model NN backpropatation 3-2-1 ini memberikan akurasi sebesar 66.67% dengan 2 neuron pada lapisan tersembunyi, MSE sebesar 4.73e-06 pada epoch ke 1. Keyword : klasifikasi, belimbing, neural network, citra digital, pemutuan non-destruktif]]>
