IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK DALAM APLIKASI ANDROID UNTUK KLASIFIKASI KEMATANGAN BUAH PISANG

IMPLEMENTATION OF CONVOLUTIONAL NEURAL NETWORK IN AN ANDROID APPLICATION FOR CLASSIFYING BANANA RIPENESS

Abstract

Indonesia merupakan negara tropis dengan produksi buah yang melimpah, salah satunya adalah pisang. Berdasarkan data Badan Pusat Statistik (BPS) tahun 2023, pisang menjadi komoditas buah dengan jumlah produksi tertinggi, yaitu sebesar 9,3 juta ton. Maka dari itu, penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan model klasifikasi berbasis Convolutional Neural Network (CNN) dalam aplikasi Android untuk mengenali tingkat kematangan buah pisang, seperti mentah, setengah matang, matang, dan terlalu matang secara otomatis, cepat, dan objektif. Model Convolutional Neural Network (CNN) dilatih menggunakan 4112 citra yang dibagi menjadi data pelatihan (3288 citra), validasi (412 citra), dan pengujian (412 citra) dengan rasio 80:10:10. Untuk mendukung kemudahan penggunaan, aplikasi Android dirancang dengan antarmuka yang sederhana, interaktif, dan ramah pengguna. Selain itu, model dioptimalkan agar dapat berjalan secara efisien pada perangkat dengan keterbatasan sumber daya. Hasil akhir dari penelitian menunjukkan bahwa model Convolutional Neural Network (CNN) mampu mencapai akurasi sebesar 95,87% dalam mengklasifikasikan tingkat kematangan pisang.

Indonesia is a tropical country with abundant fruit production, one of which is bananas. Based on data from the Central Statistics Agency (BPS) in 2023, bananas are the fruit commodity with the highest production amount, which is 9.3 million tonnes. Therefore, this research aims to develop and implement a classification model based on Convolutional Neural Network (CNN) in an Android application to recognise the ripeness level of bananas, such as unripe, half-ripe, ripe, and overripe automatically, quickly, and objectively. The Convolutional Neural Network (CNN) model was trained using 4112 images divided into training data (3288 images), validation (412 images), and testing (412 images) with a ratio of 80:10:10. To support ease of use, the Android application was designed with a simple, interactive, and user-friendly interface. In addition, the model was optimised to run efficiently on resource-constrained devices. The final results of the study show that the Convolutional Neural Network (CNN) model is able to achieve an accuracy of 95.87% in classifying the ripeness level of bananas.