Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Insect (Informatics and Security) : Jurnal Teknik Informatika
Ode, Endang Stahputri
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Kematangan Buah Pisang Secara Real-Time Menggunakan Convolutional Neural Network Berbasis Android Soekarta, Rendra; Hasa, Muh. Fadli; Ode, Endang Stahputri
Insect (Informatics and Security): Jurnal Teknik Informatika Vol. 10 No. 1 (2024): Maret 2024
Publisher : Universitas Muhammadiyah Sorong

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33506/insect.v10i1.3553

Abstract

Pisang adalah buah yang banyak diminati masyarakat karena memiliki rasa dan kandungan gizi serta vitamin yang baik untuk kebutuhan tubuh manusia.  Berdasarkan data dari bps.go.id pada tahun 2021, Indonesia memproduksi 8.741.147 ton pisang, menjadikannya salah satu negara yang dikenal di dunia dalam pokroduksi pisang. Kota Sorong adalah salah satu pulau yang merupakan penghasil pisang. Konsumen buah pisang biasanya dapat mengetahui tingkat kematangan buah pisang dengan melihat warna kulitnya, karena ini adalah cara yang paling mudah. Walaupun mudah dilakukan, ada masalah yang membuat proses pemilihan buah pisang menjadi kurang optimal, terutama jika dilakukan secara manual. Pada penelitian ini dibutuhkan suatu sistem yang bertujuan untuk mengklasifikasi buah pisang secara real-time berdasarkan tingkat kematangan menggunakan Convolutional Neural Network (CNN). Dataset yang digunakan adalah citra warna buah pisang dengan total 599, yang diklasifikasikan menjadi 3 kelas. Hasil klasifikasi kematangan buah pisang secara real-time menggunakan Convolutional Neural Network berbasis android dengan model EfficientNet dapat mengklasifikasikan kematangan buah pisang dengan tingkat accuracy training mencapai 99% dan accuracy validation mencapai 90%. Pada pengujian kelas matang, precision dapat mencapai tingkat akurasi 100%, recall 92%, dan f1-score 96%. Pada pengujian kelas mentah, precision dapat mencapai 100%, recall 100%, dan f1-score 100%. Pada pengujian kelas setengah matang, precision dapat mecapai 93%, recall 100%, dan f1-score mencapai 96%.
Co-Authors Soekarta, Rendra