Pengembangan Teknik Convolutional Neural Network untuk Klasifikasi Kematangan dan Kemanisan Buah Melon

Abstract

Penentuan kualitas melon Golden Alisha secara konvensional masih bersifat subjektif dan rentan inkonsistensi. Penelitian ini bertujuan mengotomasi klasifikasi kematangan dan prediksi kemanisan buah secara non-destruktif menggunakan deep learning berbasis Convolutional Neural Network (CNN). Penelitian ini membangun dua dataset mandiri: dataset multimodal (citra visual dan audio ketukan) untuk kematangan, serta dataset spektrum Near Infra Red (NIR) dan kadar Brix untuk kemanisan. Pada klasifikasi kematangan, model CNN 2D unimodal berbasis citra (86,00%) dan akustik MFCC (82,50%) berhasil mengungguli metode SVM dan NN. Kontribusi utama penelitian ini, yaitu arsitektur CNN multimodal yang mengintegrasikan fitur visual dan akustik, terbukti secara signifikan meningkatkan keandalan sistem dengan akurasi tertinggi mencapai 96,25%. Sementara itu, untuk prediksi kemanisan, model CNN 1D pada data spektrum NIR menghasilkan presisi tinggi dengan Mean Absolute Error (MAE) sebesar 0,974, melampaui metode konvensional PCA-NN. Secara keseluruhan, penelitian ini menyumbangkan dataset multimodal baru untuk pertanian presisi sekaligus membuktikan secara ilmiah bahwa pendekatan sensor fusion berbasis CNN secara signifikan meningkatkan akurasi evaluasi kualitas produk hortikultura.