Deteksi Tingkat Kematangan Buah Pepaya menggunakan Model Convolutional Neural Network

Abstrak

Pepaya adalah buah bergizi tinggi dengan banyak manfaat. Per 100 gram pepaya mengandung 3,65 milligram vitamin A dan 78 milligram vitamin C. Apapun musimnya, buah pepaya dapat berbuah terus menerus, yang menjadi salah satu keunggulannya. Kematangan buah pepaya dapat ditentukan oleh tekstur dan warna kulit buahnya. Deteksi tingkat kematangan buah pepaya memiliki signifikansi penting dalam industri pertanian dan pengelolaan persediaan makanan. Metode konvensional seringkali mengalami keterbatasan dalam akurasi dan efisiensi dalam pengidentifikasian kematangan buah pepaya. Dalam penelitian ini, diperkenalkan pendekatan inovatif dengan menggunakan Convolutional Neural Network (CNN) untuk mengatasi permasalahan tersebut. Dataset yang digunakan merupakan dataset gambar buah pepaya dalam berbagai tingkat kematangan. Dataset kemudian dilatih menggunakan model CNN untuk mengklasifikasikan buah pepaya berdasarkan warna kulit dan fitur visual lainnya. Hasil eksperimen menunjukkan bahwa model CNN yang digunakan mampu mengidentifikasi tingkat kematangan buah pepaya dengan tingkat akurasi yang tinggi, yaitu sebesar 96,63% sehingga dapat menghasilkan solusi yang andal dan efisien. Hal ini memberikan dampak yang signifikan dalam industri pertanian dan pengelolaan persediaan makanan.

Abstract

Papaya is a fruit with many benefits and high nutritional value. 3,65 mg of vitamin A and 78 mg of vitamin C are found in every 100 grams of papaya. One of the advantages of papaya is its ability to bear fruit continuously, regardless of the season. The ripeness of papaya can be determined by the texture and color of its skin.The detection of papaya fruit ripeness levels holds significant importance in the agricultural industry and food inventory management. Conventional methods often face limitations in accuracy and efficiency when identifying the ripeness of papaya. In this research, an innovative approach is introduced using Convolutional Neural Network (CNN) to address this issue. The dataset used consists of images of papaya fruit at various ripeness levels. The dataset is then trained using the CNN model to classify papaya fruit based on skin color and other visual features. Experimental results show that the CNN model used can identify the ripeness level of papaya fruit with high accuracy, specifically 96,63%, thus providing a reliable and efficient solution. This has significant implications in the agricultural industry and food inventory management.