Classification of Fresh and Rotten Fruits  and Vegetables Using a Customized  Convolutional Neural Network

M SYAFIQ UBAIDILLAH; REYHAN DANY INDRARTO; DWI ROLLIAWATI; AHMAD YUSUF

doi:10.26760/mindjournal.v10i1.34-47

Classification of Fresh and Rotten Fruits and Vegetables Using a Customized Convolutional Neural Network

M SYAFIQ UBAIDILLAH, REYHAN DANY INDRARTO, DWI ROLLIAWATI, AHMAD YUSUF

Sari

Abstrak

Penelitian ini mengembangkan model Convolutional Neural Network (CNN) berbasis ResNet-18 untuk mengklasifikasikan buah dan sayuran berdasarkan jenis dan tingkat kesegarannya secara simultan. Permasalahan yang diangkat adalah bagaimana model dapat melakukan klasifikasi ganda dalam satu arsitektur serta menganalisis pengaruh kesegaran terhadap akurasi klasifikasi jenis. Dataset Fresh and Rotten berisi 30.357 citra dari sembilan kategori digunakan. Model dimodifikasi dengan tiga blok tambahan yang memisahkan tugas klasifikasi. Pelatihan dilakukan dengan pendekatan multitugas menggunakan loss gabungan dan optimisasi berbeda. Hasil menunjukkan akurasi 99% untuk jenis dan 98% untuk kesegaran. Temuan ini menunjukkan efektivitas pendekatan multitugas CNN dalam mendukung inspeksi kualitas produk hortikultura secara otomatis.

Kata kunci: Convolutional Neural Network, klasifikasi buah dan sayuran, ResNet-18, kesegaran, pengolahan citra

Abstract

This study proposes a customized Convolutional Neural Network (CNN) model based on ResNet-18 to simultaneously classify fruits and vegetables by type and freshness. The research addresses how a single architecture can handle dual classification tasks and explores the influence of freshness on type classification accuracy. The Fresh and Rotten dataset, consisting of 30,357 images across nine categories, was used. The model includes three additional blocks that separate the classification tasks. Training applied a multitask learning approach with a combined loss and distinct optimization. Results show 99% accuracy for type classification and 98% for freshness. The findings highlight the effectiveness of multitask CNN in supporting automated horticultural quality inspection.

Keywords: Convolutional Neural Network, fruit and vegetable classification, ResNet-18, freshness, image processing

Teks Lengkap:

PDF

Referensi

Agung Mujiono, A., Kartini, K., & Yulia Puspaningrum, E. (2024). Implementasi Model Hybrid Cnn-Svm Pada Klasifikasi Kondisi Kesegaran Daging Ayam. JATI (Jurnal Mahasiswa Teknik Informatika), 8(1), 756–763. https://doi.org/10.36040/jati.v8i1.8855

Arinal Haq, F., & Kurniawan, M. (2024). Klasifikasi Tingkat Kematangan Buah Pisang Menggunakan Metode Cnn Arsitektur VGG19.

Dian Anisa Agustina. (2024). Klasifikasi Citra Jenis Kulit Wajah Dengan Algoritma Convolutional Neural Network (CNN) RESNET-50. Jurnal Riset Sistem Informasi, 1(3), 01–07. https://doi.org/10.69714/13sbby24

Fadlia, N., & Kosasih, R. (2019). Klasifikasi Jenis Kendaraan Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Ilmiah Teknologi Dan Rekayasa, 24(3), 207–215. https://doi.org/10.35760/tr.2019.v24i3.2397

Hamidah, S. (2015). Sayuran dan Buah Serta Manfaatnya Bagi Kesehatan. Fakultas Teknik Universitas Negeri Yogyakarta, 1–10.

Ichwan, M., & Siti Syifa, R. (2023). MIND (Multimedia Artificial Intelligent Networking Database Klasifikasi Citra Bibit Tanaman Menggunakan Convolutional Neural Network dan Improved Feature Pyramid Network. Journal MIND Journal | ISSN, 8(1), 1–13.

Kusuma, J., Hayadi, B. H., Wanayumini, & Rosnelly, R. (2022). Komparasi Metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk Klasifikasi Kanker Payudara. MIND Journal, 7(1), 51–60. https://doi.org/10.26760/mindjournal.v7i1.51-60

Lei, Z., Li, H., Zhao, J., Jing, L., Tang, Y., & Wang, H. (2022). Individual Tree Species Classification Based on a Hierarchical Convolutional Neural Network and Multitemporal Google Earth Images. Remote Sensing, 14(20). https://doi.org/10.3390/rs14205124

Munfaati, E. A. N., & Witanti, A. (2024). Klasifikasi Buah dan Sayuran Segar atau Busuk Menggunakan Convolutional Neural Network. JISKA (Jurnal Informatika Sunan Kalijaga), 9(1), 27–38. https://doi.org/10.14421/jiska.2024.9.1.27-38

Nayak, S. S. (2023). Fresh and Rotten/Stale Fruits and Vegetables Classification Dataset. Retrieved from Kaggle website: https://www.kaggle.com/datasets/swoyam2609/fresh-and-stale-classification

Nurona Cahya, F., Hardi, N., Riana, D., Hadianti, S., Mandiri Jakarta Cipinang Melayu, N., Makasar, K., … Khusus Ibukota Jakarta, D. (2021). SISTEMASI: Jurnal Sistem Informasi Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network ( CNN). Retrieved from http://sistemasi.ftik.unisi.ac.id

Pratitis, W. L., Kurniasari, K., & Fata, H. Al. (2023). Classification of Spotted Disease on Sugarcane Leaf Image Using Convolutional Neural Network Algorithm. JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem Dan Komputer, 3(2), 117. https://doi.org/10.32503/jtecs.v3i2.3433

Prinzky, & Lubis, C. (2022). Klasifikasi Buah Segar Dan Busuk Menggunakan Convolutional Neural Network Berbasis Android. Jurnal Ilmu Komputer Dan Sistem Informasi, 10(2), 10823–10827. https://doi.org/10.24912/jiksi.v10i2.22551

Ridhovan, A., & Suharso, A. (2022). Penerapan Metode Residual Network (ResNet) Dalam Klasifikasi Penyakit Pada Daun Gandum. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika). https://doi.org/https://doi.org/10.29100/jipi.v7i1.2410

Sri Rahmadhani, U., & Lysbetti Marpaung, N. (2023). Klasifikasi Jamur Berdasarkan Genus Dengan Menggunakan Metode CNN. 8(2).

Zhao, Y., Zhang, X., Feng, W., & Xu, J. (2022). Deep Learning Classification by ResNet-18 Based on the Real Spectral Dataset from Multispectral Remote Sensing Images. Remote Sensing, 14(19). https://doi.org/10.3390/rs14194883

DOI: https://doi.org/10.26760/mindjournal.v10i1.34-47