Implementasi Arsitektur Xception Dalam Menentukan Kematangan Tandan Buah Segar Kelapa Sawit
Abstract
Fresh Fruit Bunches (FFB) of oil palm play a crucial role in the palm oil industry, particularly in determining the quality and quantity of palm oil production. Identifying the maturity level of FFB is a key factor in ensuring optimal production outcomes. This study proposes a method for classifying FFB maturity using the Xception architecture based on Convolutional Neural Networks (CNN). The dataset consists of 1000 images, divided into two categories: 'ripe' and 'unripe'. The preprocessing phase included image augmentation techniques to increase training data variation. Model evaluation was conducted using an 80:20 data split for training and validation. The results showed that the Xception model achieved an accuracy of 99%, with a precision of 0.99, recall of 1.00, and an F1-score of 1.00 for the 'ripe' class. These findings demonstrate the effectiveness of the Xception architecture in FFB maturity classification and suggest potential future development with a larger dataset and Android-based application implementation.
Keywords: Fresh Fruit Bunches; Classification; Oil Palm; CNN; Xception; Adamax
Abstrak
Tandan Buah Segar (TBS) kelapa sawit memainkan peran penting dalam industri kelapa sawit, khususnya dalam menentukan kualitas dan kuantitas hasil produksi minyak sawit. Penentuan tingkat kematangan TBS menjadi aspek kunci untuk memastikan produksi yang optimal. Penelitian ini menawarkan pendekatan klasifikasi kematangan TBS menggunakan arsitektur Xception yang didukung oleh jaringan syaraf tiruan Convolutional Neural Network (CNN). Dataset yang digunakan berjumlah 1000 gambar, dibagi menjadi dua kategori, yaitu matang dan mentah. Tahapan preprocessing dilakukan dengan teknik augmentasi gambar untuk meningkatkan variasi data pelatihan. Evaluasi model menggunakan pembagian data sebesar 80% untuk pelatihan dan 20% untuk validasi. Hasil pengujian menunjukkan bahwa model Xception mampu mencapai akurasi hingga 99%, dengan precision 0,99, recall 1,00, dan F1-score 1,00 pada kelas matang. Temuan ini menegaskan kemampuan arsitektur Xception dalam melakukan klasifikasi tingkat kematangan TBS, serta berpotensi untuk dikembangkan lebih lanjut dengan dataset yang lebih besar dan diterapkan pada aplikasi berbasis Android.
Keywords
References
N. Evitarina and K. Kusrini, “Maturity Classification Methods for Palm Oil Fresh Fruit Bunch: A Systematic Review”, G-Tech, vol. 8, no. 4, pp. 2324–2333, Oct. 2024
I. Susanti dan F. Lestari, "Pengaruh Waktu Penundaan Pengolahan Buah Sawit Elaeis guineensis Terhadap Mutu Crude Palm Oil dengan Alat Pengolahan Sawit Tipe Batch," Jurnal Biosilampari: Jurnal Biologi, vol. 3, no. 2, pp. 56-64, 2021.
A.L. Siregar, at all, "Korelasi TBS Inti dan TBS Masyarakat terhadap Rendemen Minyak Kelapa Sawit di Kotawaringin Lama, Kalimantan Tengah," Jurnal AGRIFOR, vol. 23, no. 2, pp. 241-252, 2024.
S. Nirmala dan T. Irismawan, "Sistem Pemilah Otomatis Tingkat Kematangan Buah Kelapa Sawit Menggunakan Metode Logika Fuzzy Mamdani Dan Sensor TCS3200," Journal of Computer System and Informatics (JoSYC), vol. 5, no. 1, pp. 144-154, 2023.
M.A.R. Ramadhan, T.A.N. Ananta, A.A.Zakkyfriza, I.H. Vaviansyah, and Y.N. Fauzan, “Perbandingan Jumlah Layer Pada Convolutional Neural Network Untuk Meningkatkan Akurasi Dalam Klasifikasi Gambar”, Merkurius, vol. 2, no. 5, pp. 211–217, Jul. 2024.
A. Putri, S. Suroso, and A. Handayani, “Penerapan EfficiencyNet Untuk Pembuatan Model CNN Pada Klasifikasi Bahasa Isyarat”, bits, vol. 6, no. 2, pp. 758-766, Sep. 2024.
A. I. Suharjito, "Perbaikan Model AlexNet untuk Mendeteksi Kematangan TBS Kelapa Sawit dengan Menggunakan Image Enhancement dan Hyperparameter Tuning," Jurnal Ilmiah Teknologi dan Rekayasa, vol. 27, no. 1, pp. 56-68, 2022.
R. Triyogi, R. Magdalena, and B. Hidayat, "Mendeteksi Kematangan Buah Kelapa Sawit Menggunakan Convolutional Neural Network Deep Learning," Jurnal Nasional SAINS dan TEKNIK, vol. 1, no. 1, 2023.
M. I. Rasyid and L. M. Wisudawati, "Klasifikasi Hama Ulat Pada Citra Daun Sawi Berbasis Convolutional Neural Network Dengan Model Xception" Jutisi: Jurnal Ilmiah Teknik Informatika Dan Sistem Informasi, vol. 13, no. 2, 2024. doi: 10.35889/jutisi.v13i2.1801.
Y. K. Bintang and H. Imaduddin, "Pengembangan Model Deep learning untuk Deteksi Retinopati Diabetik Menggunakan Metode Transfer Learning," JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 3, pp. 1442-1455, 2024. doi: https://doi.org/10.29100/jipi.v9i3.5588.
M. Santoso, S. Defit, and Yuhandri, “Application of Convolutional Neural Network in Malay Woven Fabric Pattern Image Classification”, CoSciTech, vol. 5, no. 1, pp. 177-184, May 2024.
M. Toyib at al, “Penerapan Algoritma CNN Untuk Mendeteksi Tulisan Tangan Angka Romawi dengan Augmentasi Data”, Algoritma, vol. 2, no. 3, pp. 108–120, May 2024.
A. Tirtana, M. G. T. Febriani, D. I. Masrui, and A. A. Aisyah, "Herbify: Aplikasi Perangkat Bergerak Berbasis Komputasi Awan Untuk Mengidentifikasi Tanaman Herbal Indonesia Menggunakan CNN Model Xception," Jurnal Ilmiah Edutic, vol. 8, no. 1, pp. 1-10, Nov. 2021.
Z. Syahputra, “Penerapan SSD-Mobilenet Dalam Identitas Jenis Buah Apel”, INDOTECH, vol. 1, no. 1, pp. 1–7, Apr. 2023.
N. Chandra, "Analisis Performa Akurasi Klasifikasi Citra Jenis Sayur Salada Menggunakan Arsitektur VGG16, Xception dan NasNetMobile," Jurnal Media Informatika Budidarma, vol. 8, no. 3, p. 1240, 2024.
A. Pratama, H. Sunardi, and R. M. Fajri, "Efektivitas Penggolongan Kendaraan dengan Metode CNN pada Sistem Transaksi di Gerbang Tol," Journal of Intelligent Networks and IoT Global, vol. 2, no. 1, pp. 1-10, Jul. 2024. doi: 10.36982/jinig.v2i1.4435. Available: https://ejournal.uigm.ac.id/index.php/JINIG/article/view/4435.
K.B.V. Putra, I.P.A. Bayupati, and D.M.S. Arsa, “Klasifikasi Citra Daging Menggunakan Deep learning dengan Optimisasi Hard Voting”, J. RESTI (Rekayasa Sist. Teknol. Inf.), vol. 5, no. 4, pp. 656 - 662, Aug. 2021.
How To Cite This :
Refbacks
- There are currently no refbacks.
