OPTIMISASI MODEL DEEP LEARNING UNTUK KLASIFIKASI BUAH PISANG BARANGAN MENGGUNAKAN TEKNIK DATA AUGMENTATION
Keywords:
Deep Learning, Klasifikasi Citra, Buah Pisang Barangan, Data Augmentation, Convolutional Neural Network (CNN)Abstract
Penentuan tingkat kematangan buah pisang secara manual masih banyak dilakukan berdasarkan pengamatan visual sehingga bersifat subjektif dan berpotensi menimbulkan kesalahan dalam proses sortasi maupun pemasaran. Penelitian ini bertujuan untuk mengoptimisasi model deep learning dalam klasifikasi buah pisang barangan menggunakan teknik data augmentation. Metode penelitian yang digunakan adalah metode eksperimen yang meliputi pengumpulan dataset citra buah pisang dari berbagai sudut pengambilan gambar dan kondisi pencahayaan, tahap preprocessing berupa resize citra menjadi 224×224 piksel dan normalisasi data, penerapan teknik data augmentation seperti rotasi, horizontal flipping, zoom, dan brightness adjustment, serta pelatihan model menggunakan arsitektur Convolutional Neural Network (CNN). Proses pelatihan model dilakukan selama 10 epoch dan menghasilkan nilai accuracy sebesar 25% dengan nilai loss akhir sebesar 1,3414. Hasil pengujian menunjukkan bahwa model mampu melakukan proses klasifikasi terhadap citra buah pisang, namun performa yang dihasilkan masih belum optimal karena keterbatasan jumlah dataset yang digunakan. Penerapan teknik data augmentation memberikan variasi data pelatihan yang lebih beragam sehingga dapat membantu proses pembelajaran model terhadap karakteristik visual objek. Berdasarkan hasil penelitian, optimisasi model deep learning menggunakan teknik data augmentation menunjukkan potensi untuk mendukung proses klasifikasi buah pisang barangan secara otomatis. Namun demikian, diperlukan penambahan jumlah dataset dan optimasi model lebih lanjut agar tingkat akurasi klasifikasi dapat ditingkatkan pada penelitian selanjutnya.
Downloads
References
T. Mac, H. Bui, D. Pham, and H. Ly, “HardwareX Development of an automated fruit classification system by using computer vision and deep learning,” vol. 26, no. October 2025, 2026.
U. Klasifikasi and K. Buah, “IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK DALAM APLIKASI ANDROID,” vol. 16, pp. 225–232, 2025.
I. R. Santelices, S. Cano, and F. Moreira, “Artificial Vision Systems for Fruit Inspection and Classification : Systematic Literature Review,” 2025.
M. Jawarneh et al., “A Comparative Study of Convolutional Neural Networks and Vision Transformers for Fruit Classification,” vol. 2, no. 2, pp. 104–112, 2025.
C. Series, “Fruit Quality Classification using Convolutional Neural Network Fruit Quality Classification using Convolutional Neural Network,” 2022, doi: 10.1088/1742-6596/2377/1/012015.
J. Naranjo-torres, M. Mora, and R. Hernández-garcía, “applied sciences A Review of Convolutional Neural Network Applied to Fruit Image Processing,” 2020, doi: 10.3390/app10103443.
Z. F. R. Ahmed, A. K. Abdalla, N. Kaur, and F. Wu, “Green Technologies and Sustainability Insights into recent developments and obstacles in automated fruit ripeness classification,” Green Technol. Sustain., vol. 4, no. 2, p. 100302, 2026, doi: 10.1016/j.grets.2025.100302.
S. H-s, “Measurement : Digitalization MultiNet : A lightweight deep learning group of models for fruit maturity detection,” Meas. Digit., vol. 4, no. May, p. 100012, 2025, doi: 10.1016/j.meadig.2025.100012.
S. Sifath and S. Saha, “Automatic classification of orange fruit diseases using deep neural network model,” J. Agric. Food Res., vol. 27, no. September 2025, p. 102712, 2026, doi: 10.1016/j.jafr.2026.102712.
F. Maulana, “Classification of Banana Ripeness Using a VGG16-Based Convolutional Neural Network ( CNN ),” vol. 17, no. 2, pp. 349–357, 2025.
A. I. Hanifah and A. Hermawan, “Klasifikasi Kematangan Pisang Menggunakan Metode Convolutional Neural Network Classification of Banana Fruit Maturity Levels Using the Convolutional Neural Network Method,” vol. 12, no. 148, pp. 169–176, 2023, doi: 10.34010/komputika.v12i2.9999.
S. Morshed, S. Ahmed, T. Ahmed, M. U. Islam, and A. B. M. A. Rahman, “Fruit Quality Assessment with Densely Connected Convolutional Neural Network,” 2022.
L. E. Chuquimarca, B. X. Vintimilla, and S. A. Velastin, “Banana Ripeness Level Classification using a Simple CNN Model Trained with Real and Synthetic Datasets,” 2021.
M. Han and C. Yi, “Deep Convolutional Neural Networks for Palm Fruit Maturity Classification,” pp. 1–9, 2025, [Online]. Available: http://arxiv.org/abs/2502.20223
A. A. Suryani, U. Athiyah, Y. Setiya, and R. Nur, “Classification of Cavendish Banana Quality using Convolutional Neural Network,” vol. 1, no. 1, pp. 1–10, 2024.
R. S. Francisco and T. M. Ventura, “Multi-Class CNN Models for Banana Ripeness Classification,” vol. 4, no. 1, pp. 14–19, 2025.
L. Jambola, A. R. Darlis, W. Malaha, and D. Aryanta, “Classification system of banana types and ripeness levels based on convolutional neural network,” vol. 14, no. 6, pp. 4891–4901, 2025, doi: 10.11591/ijai.v14.i6.pp4891-4901.
S. Singh, A. Upadhyay, S. Singh, and S. Kanojiya, “ScienceDirect ScienceDirect Segregation of Ripe and Raw Bananas Using Convolutional Segregation of Ripe and Raw Bananas Using Convolutional Neural Network Neural Network,” Procedia Comput. Sci., vol. 218, no. 2022, pp. 461–468, 2023, doi: 10.1016/j.procs.2023.01.028.
R. E. Saragih and A. W. R. Emanuel, “Banana Ripeness Classification Based on Deep Learning using Convolutional Neural Network”.
I. I. Halawa and C. Basir, “Image-Based Vegetable Type Classification Using Convolutional Neural Network with Nutritional Content Information Provision Klasifikasi Jenis Sayuran Berbasis Citra Menggunakan Convolutional Neural Network dengan Penyediaan Informasi Kandungan Nutrisi,” vol. 6, no. April, pp. 875–885, 2026.
A. Hamzah, R. Y. Ariyana, U. J. Basuki, and B. T. Basgoro, “CLASSIFICATION OF BANANA MATURITY LEVELS USING,” vol. 19, no. 1, pp. 23–32, 2026.
P. D. Wardani and C. Dewi, “KLASIFIKASI TIPE KEMATANGAN PISANG MENGGUNAKAN METODE ENSEMBLE CONVOLUTIONAL NEURAL NETWORK ( CNN ),” vol. 1, no. 1, pp. 1–10, 2017.
J. Halim and A. N. Fajar, “Klasifikasi Pisang Berbasis Algoritma VGG16 Melalui Metode CNN Deep Learning,” Inf. (Jurnal Inform. dan Sist. Informasi), vol. 15, no. 1, pp. 1–17, 2023, doi: 10.37424/informasi.v15i1.190.
S. E. Prasetyo, G. Wijaya, A. Kwan, P. T. Informasi, F. I. Komputer, and U. I. Batam, “Klasifikasi Kematangan Buah Pisang Menggunakan YOLOv12 Berbasis Deep Learning,” vol. 5, no. 1, pp. 30–39, 2026.
M. R. Hidayatulloh, “Deteksi Tingkat Kematangan Buah Pepaya Menggunakan Convolutional Neural Network dengan Metode Deep Learning,” JIMUJurnal Ilm. Multidisipliner, vol. 2, no. 03, pp. 658–667, 2024, doi: 10.70294/jimu.v2i03.424.
S. I. Komariah et al., “Media Pembelajaran Pengenalan Buah (Fruits Zone) untuk Anak KB Menggunakan Deep Learning,” MIND (Multimedia Artif. Intell. Netw. Database) J., vol. 9, no. 1, pp. 13–24, 2024, [Online]. Available: https://doi.org/10.26760/mindjournal.v9i1.13-24
A. D. Putro and A. Hermawan, “Pengaruh Cahaya dan Kualitas Citra dalam Klasifikasi Kematangan Pisang Cavendish Berdasarkan Ciri Warna Menggunakan Artificial Neural Network,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 215–228, 2021, doi: 10.30812/matrik.v21i1.1396.
S. Kasus, K. Putusan, and M. Konstitusi, “Jurnal Sains Informatika Terapan ( JSIT ) Jurnal Sains Informatika Terapan ( JSIT ),” pp. 187–201, 2025.
T. Pustaka, “Pengenalan tingkat kematangan buah pisang berbasis citra dengan metode convolutional neural network,” vol. 10, no. 3, pp. 4191–4199, 2026.
A. Pangestu, B. Purnama, and R. Risnandar, “Vision Transformer untuk Klasifikasi Kematangan Pisang,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 75–84, 2024, doi: 10.25126/jtiik.20241117389.
A. W. Hastungkoro, A. D. Putro Wicaksono, and Y. Diah Rosita, “Klasifikasi Kualitas dan Kematangan Pisang Cavendish Menggunakan Convolutional Neural Network,” J. SAINTEKOM, vol. 14, no. 2, pp. 185–194, 2024, doi: 10.33020/saintekom.v14i2.686.
S. Darmawan Putra Bahari and U. Latifa, “Klasifikasi Buah Segar Menggunakan Teknik Computer Vision Untuk Pendeteksian Kualitas Dan Kesegaran Buah,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1567–1573, 2023, doi: 10.36040/jati.v7i3.6871.
Taqwanur and Mega Bilqis Suryawantiningtyas, “G-Tech : Jurnal Teknologi Terapan,” G-Tech J. Teknol. Terap., vol. 6, no. 2, pp. 295–305, 2022.
I. Astuti, L. N. Ibrahim, W. W. Ariestya, S. Ruhama, and D. Wahyuni, “Deep Learning for Horticulture: Convolutional Neural Network Driven Classification of Banana Types,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 16, no. 1, pp. 12–25, 2025, doi: 10.31849/x39pj844.
F. A. Haq, M. Kurniawan, D. B. S, M. A. Wicaksono, and P. S. Alala, “Klasifikasi Tingkat Kematangan Buah Pisang Menggunakan Metode Cnn Arsitektur Vgg19,” J. Tika, vol. 9, no. 2, pp. 131–136, 2024.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 nazwa cahya, DEDE, ERNISA, RASYID (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
