Design and Development of Mango Ripeness Classification Tool using CNN Android-based Platform

Zaldy Gumilang Mursalin, Ahmad Taqwa, Irma Salamah

Abstract


Artificial ripening methods use calcium carbide (carbide) which often leaves harmful residues on the mango fruit. This research designs a classification tool for carbite and non-carbite mango fruit using the Android-based InceptionV3 Convolutional Neural Network method. The mango fruit image dataset consists of 1622 images (881 images of carbite mangoes and 811 images of non-carbite mangoes) used to train and test the model. The testing process is done by implementing the model on a Raspberry Pi B+ connected to a camera pi to take pictures of mangoes at a distance of 30 cm. The results showed that the CNN model developed achieved an average accuracy of 94.4% in classifying carbitan and non-carbitan mangoes. This result shows that the classification tool designed can provide significant benefits for farmers, traders, and consumers in ensuring marketed quality.

Full Text:

PDF

References


S. Sudarti, S. N. Laili, and N. A. Akriema, “Pengaruh Kematangan Buah Terhadap Massa Jenis Pisang Ambon,” GRAVITASI Jurnal Pendidikan Fisika dan Sains, vol. 4, no. 2, pp. 10–16, Dec. 2021, doi: https://doi.org/10.33059/gravitasi.jpfs.v4i02.4308.

P. P. Wahyudi and B. Harsono, “Identifikasi Mangga Arumanis yang Dimatangkan dengan Kalsium Karbida (CaC2) Menggunakan Metode Spektroskopi,” Techné Jurnal Ilmiah Elektroteknika, vol. 22, no. 1, pp. 143–156, Apr. 2023, doi: https://doi.org/10.31358/techne.v22i1.368.

M. A. Siahaan and D. G. R. A. Aruan, “Pengaruh Kalsium Karbida Terhadap Konsentrasi Vitamin C Pada Buah Mangga Samosir (Mangifera Indica),” Jurnal Analis Laboratorium Medik, vol. 5, no. 2, Dec. 2020.

W. Puspitaningrum and S. Supatman, “Identifikasi Mangga Harum Manis Karbitan dan Tidak Karbitan Dengan Learning Vector Quantization,” Jurnal Multimedia & Artificial Intelligence, vol. 2, no. 2, 2018.

L. Anggraini and Y. Yamasari, “Klasifikasi Citra Wajah Untuk Rentang Usia Menggunakan Metode Artificial Neural Network,” Journal of Informatics and Computer Science, vol. 05, no. 02, 2023, doi: https://doi.org/10.26740/jinacs.v5n02.p185-192.

A. Jamhari, F. M. Wibowo, and W. A. Saputra, “Perancangan Sistem Pengenalan Wajah Secara Real-Time pada CCTV dengan Metode Eigenface,” Journal of Informatics, Information System, Software Engineering and Applications, vol. 2, no. 2, pp. 20–032, 2020, doi: 10.20895/INISTA.V2I2.

B. Yanto, B. Baorudin, J. Jufri, and B. H. Hayadi, “Indentifikasi Pola Aksara Arab Melayu dengan Jaringan Syaraf Tiruan Convolutional Neural Network (CNN),” JSAI : Journal Scientific and Applied Informatics, vol. 3, no. 3, pp. 106–114, 2020, doi: 10.36085.

B. Yanto, E. Rouza, L. Fimawahib, B. H. Hayadi, and R. R. Pratama, “Penerapan Algoritma Deep Learning Convolutional Neural Network dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB),” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 10, no. 1, pp. 59–66, 2023, doi: 10.25126/jtiik.2023105695.

Y. B. E. Purba, N. F. Saragih, A. P. Silalahi, S. Sitepu, and A. Gea, “Perancangan Alat Pendeteksi Kematangan Buah Nanas Dengan Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network (CNN),” Jurnal Ilmiah Teknik Informatika, vol. 2, no. 1, pp. 13–21, 2022, [Online]. Available: http://ojs.fikom-methodist.net/index.php/METHOTIKA

A. Arkadia, S. A. Damayanti, and D. S. Prasvita, “Klasifikasi Buah Mangga Badami Untuk Menentukan Tingkat Kematangan dengan Metode CNN,” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), vol. 2, no. 2, Sep. 2021.

A. A. Rahman, A. Fauzi, and J. Indra, “Klasifikasi Sampah Logam Dan Plastik Berbasis Raspberry Pi Dengan Metode Convolution Neural Network,” Scientific Student Journal for Information, Technology and Science, vol. IV, no. 1, 2023.

S. Yuliany, A. Aradea, and A. N. Rachman, “Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN),” Jurnal Buana Informatika, vol. 13, no. 1, pp. 54–65, Apr. 2022, doi: http://dx.doi.org/10.24002/jbi.v13i1.5022.

M. T. Audina, F. Utaminingrum, and D. Syauqi, “Sistem Deteksi dan Klasifikasi Jenis Kendaraan berbasis Citra dengan menggunakan Metode Faster-RCNN pada Raspberry Pi 4B,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 2, pp. 814–819, Feb. 2021, [Online]. Available: http://j-ptiik.ub.ac.id

S. Juliansyah and A. D. Laksito, “Klasifikasi Citra Buah Pir Menggunakan Convolutional Neural Networks,” Jurnal Telekomunikasi dan Komputer, vol. 11, no. 1, pp. 65–72, Apr. 2021, doi: 10.22441/incomtech.v10i2.10185.

D. Hidayat, “Klasifikasi Jenis Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Nalneural Network Convolution Nalneural Network (CNN),” Journal of Information Technology and Computer Science (INTECOMS), vol. 5, no. 1, Jun. 2022.

A. P. Wibawa, M. G. A. Purnama, M. F. Akbar, and F. A. Dwiyanto, “Metode-Metode Klasifikasi,” Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, vol. 3, no. 1, 2018.

A. W. Kosman, Y. Wahyuningsih, and F. Mahendrasusila, “Pengujian Metode Inception V3 dalam Mengidentifikasi Penyakit Kanker Kulit,” Jurnal Teknologi Informatika dan Komputer, vol. 10, no. 1, pp. 132–142, Mar. 2024, doi: 10.37012/jtik.v10i1.1940.

K. Azmi and S. Defit, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” Jurnal Untek, vol. 16, no. 1, Jun. 2023.

R. B. M. A. A. Wijaya, D. N. A. Putri, and D. R. Fudholi, “Smart GreenGrocer: Automatic Vegetable Type Classification Using the CNN Algorithm,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 17, no. 3, p. 271, Jul. 2023, doi: 10.22146/ijccs.82377.




DOI: https://doi.org/10.32520/stmsi.v13i5.4379

Article Metrics

Abstract view : 22 times
PDF - 2 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.