Klasifikasi Real-Time Tingkat Kematangan Buah Carica Menggunakan Convolutional Neural Network dan Grad-CAM
DOI:
https://doi.org/10.31004/anthor.v5i4.866Keywords:
Buah Carica, Convolutional Neural Network, MobileNetV2, Grad-CAM, Explainable Artificial IntelligenceAbstract
Buah Carica (Carica pubescens) merupakan komoditas unggulan dataran tinggi Dieng, Wonosobo, yang kualitas produk olahannya sangat ditentukan oleh tingkat kematangan saat panen. Penentuan kematangan secara manual melalui pengamatan warna kulit dan perabaan tekstur bersifat subjektif, tidak konsisten, dan rentan kelelahan. Penelitian ini bertujuan membangun sistem klasifikasi tingkat kematangan buah Carica ke dalam tiga kelas (Mentah, Mengkal, Matang) secara real-time menggunakan Convolutional Neural Network (CNN) berarsitektur MobileNetV2 melalui pendekatan transfer learning dan fine-tuning dua fase, dilengkapi visualisasi Explainable Artificial Intelligence (XAI) berbasis Gradient-weighted Class Activation Mapping (Grad-CAM) untuk mengatasi sifat black box model. Dataset berjumlah 1.800 citra hasil akuisisi mandiri (600 citra per kelas), dibagi menjadi 1.440 citra latih dan 360 citra validasi. Model diintegrasikan ke dalam aplikasi web berbasis Flask untuk klasifikasi real-time melalui kamera. Hasil evaluasi menunjukkan model TensorFlow Lite mencapai akurasi 90,56% pada data validasi, sementara pengujian dinamis real-time terhadap 90 sampel buah menghasilkan akurasi rata-rata 95,5% dengan kecepatan pemrosesan stabil 60 FPS, melampaui ambang kebutuhan real-time sebesar 24 FPS. Visualisasi Grad-CAM membuktikan model secara konsisten memfokuskan perhatian pada gradasi warna kulit buah sebagai fitur penentu kematangan, sehingga sistem tidak hanya akurat tetapi juga transparan dan dapat dipertanggungjawabkan secara visual kepada pengguna, khususnya petani dan pelaku UMKM pengolahan Carica.
References
Adadi, A., & Berrada, M. (2018). Peeking inside the black-box: A survey on explainable artificial intelligence (XAI). IEEE Access, 6, 52138–52160. https://doi.org/10.1109/ACCESS.2018.2870052
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Hidayat, & Sari. (2021). Deteksi kematangan buah berbasis Android secara real-time. Jurnal Sistem Informasi, 5(2), 88–95.
Ikhsan, Kurniawan, D., & Prasetyo, B. (2020). Pengolahan citra digital untuk perbaikan kualitas citra. Jurnal Teknik Informatika, 8(1), 45–52.
Kosasih, & Fahrurozi. (2023). Klasifikasi citra dalam konteks visi komputer: Ekstraksi fitur visual dan probabilitas kelas. Jurnal Ilmu Komputer dan Informasi, 16(1), 33–41.
Kumar, & Singh. (2022). Fruit maturity classification using deep learning CNN. IEEE Conference on Computer Vision, 112–118.
Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2022). A survey of convolutional neural networks: Analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999–7019. https://doi.org/10.1109/TNNLS.2021.3084827
Minarno, A. E. (2015). Morfologi buah Carica pubescens. Jurnal Biologi Terapan, 3(1), 12–19.
Nugroho. (2022). Perbandingan arsitektur VGG16 dan ResNet50 untuk klasifikasi buah. Jurnal Teknik Elektro, 14(3), 201–210.
Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. https://doi.org/10.1109/TKDE.2009.191
Purwono, P., Ma'arif, A., Rahmaniar, W., Fathurrahman, H. I. K., Frisky, A. Z. K., & ul Haq, Q. M. (2023). Understanding of convolutional neural network (CNN): A review. International Journal of Robotics and Control Systems, 2(4), 739–748. https://doi.org/10.31763/ijrcs.v2i4.888
Rahmanda, Fadillah, R., & Setiawan, T. (2023). Klasifikasi jenis buah menggunakan convolutional neural network (CNN). Jurnal ELKOMIKA, 11(2), 310–320.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 779–788.
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A. C., & Fei-Fei, L. (2015). ImageNet large scale visual recognition challenge. International Journal of Computer Vision, 115(3), 211–252. https://doi.org/10.1007/s11263-015-0816-y
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 4510–4520.
Saputra, Wibisono, A., & Kurniawan, F. (2022). Identifikasi kematangan pepaya menggunakan MobileNetV2. Jurnal Informatika, 9(2), 155–163.
Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual explanations from deep networks via gradient-based localization. Proceedings of the IEEE International Conference on Computer Vision, 618–626.
Stankovic, J. A. (1988). Misconceptions about real-time computing: A serious problem for next-generation systems. Computer, 21(10), 10–19. https://doi.org/10.1109/2.7053
Wibowo, & Arifianto. (2023). Implementasi explainable AI (XAI) pada deteksi penyakit tanaman. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7(3), 455–463.
Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27, 3320–3328.
Zhang, Liu, Y., & Chen, H. (2023). Real-time fruit detection and grading using CNN. Sensors, 23(4), 1892–1901. https://doi.org/10.3390/s23041892
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Wahyu Suhardiyono, Nahar Mardiyantoro, Saifu Rohman
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
