Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Economic, Bussines and Accounting (COSTING) INTECOMS: Journal of Information Technology and Computer Science
Mellysa Pratama
Universitas Muhammadiyah Bengkulu
Computer Science & IT Economics, Econometrics & Finance

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN RESNET 50 UNTUK MENGKLASIFIKASI TINGKAT KEMANTANGAN  BUAH PEPAYA Mellysa Pratama; Erwin Dwika Putra
Journal of Economic, Bussines and Accounting (COSTING) Vol. 9 No. 3 (2026): Journal of Economic, Bussines and Accounting (COSTING)
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/nvnckc75

Abstract

Buah pepaya adalah salah satu jenis buah tropis yang banyak disukai karena kaya akan nutrisi. Namun, cara menilai kematangan buah pepaya masih sering dilakukan dengan cara manual, yang dapat menyebabkan kesalahan dalam proses pemisahan dan penyebarannya. Dengan demikian, penelitian ini bertujuan untuk mengembangkan sistem otomatis untuk mengklasifikasikan tingkat kematangan buah pepaya dengan menggunakan metode Convolutional Neural Network (CNN) yang berbasis arsitektur ResNet50. Dataset yang digunakan terdiri dari gambar buah pepaya yang dibagi menjadi empat tingkat kematangan, yaitu masih mentah, setengah matang, sudah matang, dan sudah busuk. Gambar tersebut kemudian menjalani proses preprocessing yang mencakup pengubahan ukuran gambar menjadi 224×224 piksel, penyesuaian nilai piksel, serta augmentasi data melalui teknik seperti rotasi, zoom, dan pembalikan horizontal untuk memperbanyak variasi data pelatihan. Model dilatih dengan menggunakan metode transfer learning dengan memanfaatkan bobot yang sudah ada dari dataset ImageNet. Evaluasi kinerja model dilakukan melalui penggunaan matriks kebingungan dan matriks klasifikasi yang mencakup akurasi, precision , recall, dan skor F1. Hasil dari proses pelatihan menunjukkan bahwa model mencapai akurasi pelatihan sebesar 91,72% dan akurasi validasi sebesar 83,56%, dengan nilai  validasition loss sebesar 0,4958. Temuan ini mengindikasikan bahwa model dapat mengklasifikasikan citra buah pepaya dengan performa yang relatif baik dan konsisten. Penelitian ini diharapkan dapat mendukung proses otomatisasi dalam mengidentifikasi tingkat kematangan buah pepaya di sektor pertanian dan industri pangan. Kata Kunci: klasifikasi citra , buah pepaya ,CNN, Resnet-50,deep learning.
IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN RESNET 50 UNTUK MENGKLASIFIKASI TINGKAT KEMANTANGAN  BUAH PEPAYA Mellysa Pratama; Erwin Dwika Putra
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 3 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/tr9sbe10

Abstract

Papaya is a very popular tropical fruit variety because it is rich in nutrients. However, the method of assessing the ripeness of papaya fruit is still often done manually, which can cause errors in the separation and distribution process. Thus, this study aims to develop an automatic system to classify the ripeness level of papaya fruit using the Convolutional Neural Network (CNN) method based on the ResNet50 architecture. The dataset used consists of papaya fruit images divided into four stages of ripeness, namely unripe, half-ripe, and unfit. The images then undergo a preprocessing process that includes resizing the image to 224 × 224 pixels, adjusting pixel values, and data augmentation through techniques such as rotation, zoom, and horizontal flipping to increase the variety of training data. The model is trained using a transfer learning approach by utilizing existing weights from the imagenet dataset. Model performance evaluation is carried out through the use of a confusion matrix and a classification matrix that includes accuracy, precision, recall, and F1 score. The results of the training process show that the model achieved a training accuracy of 91.72% and a validation accuracy of 83.56%, with a validation loss value of 0.4958. These findings indicate that the model can classify papaya fruit images with relatively good and consistent performance. This research is expected to support the automation process in identifying the ripeness level of papaya fruit in the agricultural and food industry sectors.  Keywords: image classification, papaya, CNN, Resnet-50, deep learning.  
Co-Authors Putra, Erwin Dwika