IMPLEMENTASI AI FRUIT SCANNER UNTUK KLASIFIKASI KEMATANGAN PISANG MENGGUNAKAN MOBILENETV2

Penulis

DOI:

https://doi.org/10.36257/teliska.v19i3.12717

Kata Kunci:

Kecerdasan Buatan, AI Fruit Scanner, transfer learning, tingkat kematangan pisang, Streamlit.

Abstrak

Pada perkebunan pisang berskala luas, memeriksa buah pohon demi pohon untuk menilai kesiapannya menyita banyak waktu dan tenaga. Untuk meringankan pekerjaan itu, penelitian ini membangun AI Fruit Scanner, aplikasi berbasis kecerdasan buatan yang menilai kondisi pisang dari gambar dan menempatkannya pada salah satu dari tiga kelas: Unripe (mentah), Ripe (matang), atau Rotten (busuk). Modelnya dibangun dengan transfer learning berbasis MobileNetV2. Data berupa 1.497 citra, yaitu 499 per kelas setelah diseimbangkan, dengan pembagian 1.047 untuk melatih model, 225 untuk validasi, dan 225 untuk menguji. Semua citra lebih dulu diseragamkan menjadi 224 × 224 piksel. Setelah model dilatih dan dinilai, model dipasang pada aplikasi web berbasis Streamlit. Pada data uji, accuracy mencapai 96% dengan rata-rata precision 96,01%, sedangkan recall dan F1-score masing-masing 96%, sehingga kinerjanya baik pada dataset tersebut. Aplikasi ini diharapkan memberi gambaran awal kondisi buah dari gambar. Namun, kemampuan generalisasinya belum teruji dan masih memerlukan citra pisang Ambon yang diambil langsung di kebun.

Referensi

C. N. dan I. Handayani., “Perbandingan metode mobilenetv2 dan efficientnetb0 untuk klasifikasi jenis pisang comparison of mobilenetv2 and efficientnetb0 methods for banana type classification,” vol. 8, no. 2023, pp. 1990–1999, 2025.

A. Mufidh and S. R. Nudin, “Implementasi Model MobileNetV2 dalam Pengembangan Sistem Prediksi Kematangan Pisang Berbasis Mobile TIN : Terapan Informatika Nusantara,” vol. 6, no. 11, pp. 2044–2054, 2026, doi: 10.47065/tin.v6i11.9559.

A. D. Arsianto, “Klasifikasi Tingkat Kematangan Pisang Menggunakan Metode DEEP Learning dengan CNN,” vol. 6, pp. 342–355, 2026.

L. Yang et al., “Automatic Detection of Banana Maturity — Application of Image,” pp. 1–15, 2024.

M. R. Z. R. dan A. L. Pramana, “Pengenalan tingkat kematangan buah pisang berbasis citra dengan metode convolutional neural network,” vol. 10, no. 3, pp. 4191–4199, 2026.

D. P. Sari, M. Arya, C. Putra, T. Elektronika, and T. Elektro, “RFID UNTUK AREA AKSES AMAN DI FASILITAS RUANG,” vol. 18, no. Ii, pp. 23–31, 2024.

T. Noor, A. Febriana, and V. Lusiana, “Klasifikasi Tingkat Kematangan Buah Pisang Raja Menggunakan Metode CNN Berbasis Android,” vol. 7, no. 1, pp. 176–184, 2024, doi: 10.32493/jtsi.v7i1.37790.

N. W. Wulansari, “Implementasi Metode Convolutional Neural Network Untuk Deteksi Kematangan Buah Pisang Menggunakan Inception V3,” vol. 8, no. 2, pp. 147–155, 2023, doi: 10.33633/joins.v8i2.9074.

Y. Gulzar, “Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique,” 2023.

J. Plested, M. Phiri, and T. Gedeon, “Deep transfer learning for image classification : a survey,” no. January, pp. 1–50, 2026.

O. Rainio, “Evaluation metrics and statistical tests for machine learning,” Sci. Rep., pp. 1–14, 2024, doi: 10.1038/s41598-024-56706-x.

Unduhan

Diterbitkan

19-11-2026

Cara Mengutip

Hamzah, H., Lutfi, M., Rasendriyantho, P., Purnama, R. A., Heristian, S., & Apriana, V. (2026). IMPLEMENTASI AI FRUIT SCANNER UNTUK KLASIFIKASI KEMATANGAN PISANG MENGGUNAKAN MOBILENETV2. JURNAL TELISKA, 19(3), 124-132. https://doi.org/10.36257/teliska.v19i3.12717

Artikel Serupa

21-30 dari 57

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.