PENERAPAN ALGORITMA ARTIFICIAL NEURAL NETWORK UNTUK KLASIFIKASI KUALITAS BUAH APEL

APPLICATION OF AN ARTIFICIAL NEURAL NETWORK ALGORITHM FOR CLASSIFYING APPLE QUALITY

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan kualitas buah apel menggunakan algoritma Artificial Neural Network (ANN) sebagai solusi terhadap keterbatasan metode seleksi manual yang cenderung subjektif, memakan waktu, dan kurang efisien pada skala industri. Dataset yang digunakan diperoleh dari situs Kaggle dan terdiri dari 4.000 data sampel apel dengan tujuh atribut fisik: ukuran, berat, kemanisan, kerenyahan, kejuicy-an, kematangan, dan keasaman. Data dibagi menjadi tiga bagian menggunakan metode stratified hold-out sampling, yaitu 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Model ANN yang diterapkan menggunakan arsitektur Multilayer Perceptron (MLP) dengan dua hidden layer berisi 20 dan 10 neuron serta dilatih menggunakan algoritma Scaled Conjugate Gradient. Evaluasi dilakukan menggunakan confusion matrix dan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model ANN mencapai akurasi 92% pada data pengujian dengan performa optimal pada epoch ke-106. Perbandingan dengan algoritma lain seperti Random Forest (88,3%) dan Support Vector Machine (74,7%) menunjukkan keunggulan ANN dalam klasifikasi kualitas apel. Kurva ROC dan histogram error memperkuat bukti bahwa model memiliki generalisasi yang baik tanpa overfitting. Penelitian ini membuktikan bahwa ANN dapat menjadi solusi efektif dan efisien dalam otomasi penilaian mutu buah apel serta berpotensi diterapkan lebih luas pada produk hortikultura lainnya.

This study aims to classify apple fruit quality using the Artificial Neural Network (ANN) algorithm as a solution to the limitations of manual selection methods, which tend to be subjective, time-consuming, and inefficient on an industrial scale. The dataset used was obtained from Kaggle and consists of 4,000 apple samples with seven physical attributes: size, weight, sweetness, crunchiness, juiciness, ripeness, and acidity. The data was divided into three parts using the stratified hold-out sampling method: 70% for training, 15% for validation, and 15% for testing. The ANN model implemented uses a Multilayer Perceptron (MLP) architecture with two hidden layers containing 20 and 10 neurons, and it is trained using the Scaled Conjugate Gradient algorithm. Evaluation was performed using a confusion matrix and metrics such as accuracy, precision, recall, and F1-score. The results show that the ANN model achieved 92% accuracy on the test data, with optimal performance reached at epoch 106. Comparisons with other algorithms such as Random Forest (88.3%) and Support Vector Machine (74.7%) demonstrate the superiority of ANN in classifying apple quality. The ROC curve and error histogram further confirm that the model has good generalization capabilities without overfitting. This study demonstrates that ANN is an effective and efficient solution for automating the assessment of apple fruit quality and has the potential to be more broadly applied to other horticultural products.