Klasifikasi Buah Kelapa Sawit dengan Convolutional Neural Network Arsitektur Inception-v4

Theresia Kurniati Seran; Septyan Eka Prastya; Muhammad Zulfadhilah; Rudy Ansari

doi:10.54914/jtt.v12i1.2597

Penulis

Theresia Kurniati Seran Universitas Sari Mulia
Septyan Eka Prastya Universitas Sari Mulia
Muhammad Zulfadhilah Universitas Sari Mulia
Rudy Ansari Universitas Muhammadiyah Banjarmasin

DOI:

https://doi.org/10.54914/jtt.v12i1.2597

Kata Kunci:

Convolutional Neural Network, Inception v4, Kelapa Sawit, Klasifikasi Buah, Optimizer

Abstrak

Industri kelapa sawit memegang peranan penting dalam perekonomian Indonesia, sehingga proses klasifikasi buah berdasarkan tingkat kematangan menjadi krusial untuk menjamin kualitas produksi minyak sawit. Penelitian ini bertujuan mengembangkan sistem klasifikasi buah kelapa sawit menjadi kategori matang dan mentah dengan menggunakan algoritma Convolutional Neural Network berbasis arsitektur Inception-v4. Dataset penelitian terdiri dari 2.900 gambar, yang terbagi menjadi data pelatihan (2.000), validasi (500), dan pengujian (400). Tahapan penelitian meliputi pengumpulan data, pre-processing (deteksi duplikat, augmentasi, dan normalisasi), pemodelan menggunakan Inception-v4, pelatihan model, evaluasi, dan interpretasi hasil. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, f1-score, dan confusion matrix. Hasil menunjukkan bahwa model Inception-v4 mampu mengklasifikasikan buah kelapa sawit dengan akurasi validasi tertinggi sebesar 95%. Eksperimen dengan berbagai optimizer (SGD, Adam, RMSprop, Adagrad, Adadelta) dilakukan untuk meningkatkan performa. Penelitian ini menunjukkan bahwa Inception-v4 efektif dalam klasifikasi buah kelapa sawit dan dapat diterapkan pada industri perkebunan untuk meningkatkan efisiensi panen dan produksi.

Unduhan

Data unduhan belum tersedia.

Referensi

Badan Pusat Statistik Indonesia, “Statistik Kelapa Sawit Indonesia 2023,” Badan Pusat Stastik, vol. 17, p. 85, 2024.

R. Szeliski, Computer Vision: Algorithms and Applications, 2nd Ed. Washington: Springer, p. 1232, 2021.

J. Nainggolan, D. Y. Niska, F. Marpaung, I. Taufik, and K. S. S, “Palm Fruit Ripeness Detection System Using Convolutional Neural Network (CNN) Algorithm,” J. Artif. Intell. Eng. Appl., vol. 4, no. 3, pp. 1700–1705, 2025, doi: 10.59934/jaiea.v4i3.989.

D. Setiawan, P. E. P. Utomo, and M. Alfalah, “Detection of Oil Palm Fruit Ripeness through Image Feature Optimization using Convolutional Neural Network Algorithm,” Int. J. Informatics Vis., vol. 9, no. 2, pp. 674–682, 2025, doi: 10.62527/joiv.9.2.2687.

M. Naghipour, L. S. Ling, and T. Connie, “A Review of AI Techniques in Fruit Detection and Classification: Analyzing Data, Features and AI Models Used in Agricultural Industry,” Int. J. Technol., vol. 15, no. 3, pp. 585–596, 2024, doi: 10.14716/ijtech.v15i3.6404.

G. N. Elwirehardja, J. S. Prayoga, and Suharjito, “Corrigendum to ‘Oil palm fresh fruit bunch ripeness classification on mobile devices using deep learning approaches’ [Comput. Electron. Agric. 188 (2021) 106359],” Comput. Electron. Agric., vol. 207, p. 107735, Apr. 2023, doi: 10.1016/j.compag.2023.107735.

R. Sekhar et al., “Noise robust classification of carbide tool wear in machining mild steel using texture extraction based transfer learning approach for predictive maintenance,” Results Control Optim., vol. 17, no. September 2023, p. 100491, 2024, doi: 10.1016/j.rico.2024.100491.

Z. Li et al., “Improved AlexNet with Inception-V4 for Plant Disease Diagnosis,” Comput. Intell. Neurosci., vol. 2022, 2022, doi: 10.1155/2022/5862600.

E. Prasiwiningrum and A. Lubis, “Classification Of Palm Oil Maturity Using CNN (Convolution Neural Network) Modelling RestNet 50,” Decod. J. Pendidik. Teknol. Inf., vol. 4, no. 3, pp. 983–999, 2024, doi: 10.51454/decode.v4i3.822.

A. Y. Saleh and E. Liansitim, “Palm oil classification using deep learning,” Sci. Inf. Technol. Lett., vol. 1, no. 1, pp. 1–8, 2020, doi: 10.31763/sitech.v1i1.1.

S. I. Guslianto and S. ‘Uyun, “Klasifikasi Kematangan Buah Sawit Berdasarkan Fitur Warna, Bentuk dan Tekstur Menggunakan Algoritma K-NN,” J. Edukasi dan Penelit. Inform., vol. 9, no. 3, p. 407, 2023, doi: 10.26418/jp.v9i3.64877.

W. H. Chong, N. A. Ramli, W. M. R. Wan Mustafa, and L. J. Awalin, “Computer Vision and Artificial Intelligence (AI)-Based Ripeness Classification of Oil Palm Fruits in Oil Palm Plantations,” ASEAN Artif. Intell. J., vol. 2, no. 1, pp. 44–58, 2025, doi: 10.37934/aaij.2.1.4458.

Z. Omar, A. P. P. A. Majeed, M. Rosbi, S. A. Ghazalli, and H. Selamat, “Outdoor oil palm fruit ripeness dataset,” Data Br., vol. 55, pp. 1–7, 2024, doi: 10.1016/j.dib.2024.110667.

H. Herman, A. Susanto, T. W. Cenggoro, S. Suharjito, and B. Pardamean, “Oil Palm Fruit Image Ripeness Classification with Computer Vision using Deep Learning and Visual Attention,” J. Telecommun. Electron. Comput. Eng., vol. 12, no. 2, pp. 21–27, 2020, [Online]. Available: https://jtec.utem.edu.my/jtec/article/view/5543

Y. Jin, Z. You, and N. Cai, “Simplified Inception Module Based Hadamard Attention Mechanism for Medical Image Classification,” J. Comput. Commun., vol. 11, no. 06, pp. 1–18, 2023, doi: 10.4236/jcc.2023.116001.