Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
20 - 25
p-ISSN: 2302-0261, e-ISSN: 2303-3363 Pengembangan Aplikasi Prediksi Tingkat Kematangan Buah Manggis Menggunakan Hybrid Convolutional Neural Network Muhammad Asyrof1.
Muhammad Anwar2.
Yeka Hendriyani3.
Syafrijon4 Program Studi Informatika.
Universitas Negeri Padang.
Indonesia
2, 3, 4
Departemen Teknik Elektronika.
Universitas Negeri Padang.
Indonesia Email: 1muhammadasyrof79@gmail.
com, 2muh_anwar@ft.
id, 3yekahendriyani@ft.
syafrijon@ft.
INFORMASI ARTIKEL
ABSTRAK
Histori artikel:
Abstract- Mangosteen is Indonesia's leading horticultural commodity with high export potential, however, maturity level determination is still conducted manually and subjectively.
This research develops a web-based application using Hybrid Convolutional Neural Network (CNN) to predict mangosteen fruit maturity levels automatically.
The system integrates three CNN architectures (InceptionV3.
DenseNet201, and ResNet50V.
with a dataset of 1,681 mangosteen images categorized into three classes: ripe, semi-ripe, and unripe.
The application was developed using Vue.
js and Python Flask.
Model evaluation using ROC Curve and AUC metrics demonstrates excellent performance with AUC values of 0.
9938 for ripe class, 9303 for unripe class, and 0.
9108 for semi-ripe class.
MicroAverage and Macro-Average AUC values of 0.
9516 and 0.
confirm model stability.
This application is expected to provide an innovative deep learning-based solution for sustainable digital agricultural transformation.
Naskah masuk, 17 Mei 2025 Direvisi, 12 Juni 2025 Diiterima, 30 Juni 2025 Kata Kunci:
Prediksi Kematangan Manggis.
Deep Learning.
Hybrid CNN.
Aplikasi Web.
Waterfall Abstrak- Manggis merupakan komoditas hortikultura unggulan Indonesia dengan potensi ekspor tinggi, namun penentuan tingkat kematangan masih dilakukan secara manual dan subjektif.
Penelitian ini mengembangkan aplikasi web berbasis Hybrid Convolutional Neural Network (CNN) untuk memprediksi tingkat kematangan buah manggis secara otomatis.
Sistem mengintegrasikan tiga arsitektur CNN (InceptionV3.
DenseNet201, dan ResNet50V.
dengan dataset 681 gambar manggis yang dikategorikan menjadi tiga kelas, yaitu ripe, semi-ripe, dan unripe.
Aplikasi dikembangkan menggunakan Vue.
js dan Python Flask.
Evaluasi model menggunakan metrik ROC Curve dan AUC menunjukkan performa sangat baik dengan nilai AUC 0,9938 untuk kelas ripe, 0,9303 untuk kelas unripe, dan 0,9108 untuk kelas semi-ripe.
Nilai Micro-Average dan Macro-Average AUC sebesar 0,9516 dan 0,9482 mengkonfirmasi stabilitas model.
Aplikasi ini diharapkan dapat memberikan solusi inovatif berbasis deep learning untuk transformasi digital pertanian berkelanjutan.
Copyright A 2025 LPPM - STMIK IKMI Cirebon This is an open access article under the CC-BY license Penulis Korespondensi:
Muhammad Asyrof Program Studi Informatika.
Universitas Negeri Padang Jln.
Prof.
Dr.
Hamka.
Air Tawar.
Padang.
Sumatera Barat.
Indonesia Email: muhammadasyrof79@gmail.
https://ejournal.
id/index.
php/jict-ikmi Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
20 - 25
p-ISSN: 2302-0261, e-ISSN: 2303-3363 Pendahuluan Manggis (Garcinia mangostana L.
), yang sering disebut sebagai Auratu buahAy, adalah buah tropis asli Asia Tenggara yang termasuk dalam keluarga Clusiaceae.
Buah ini dikenal luas karena aroma harum, rasa khas, dan kandungan gizi yang Dengan kulit berwarna ungu gelap dan daging buah putih, manggis tidak hanya dihargai karena rasanya yang lezat tetapi juga manfaat kesehatannya, yang menjadikannya komoditas bernilai tinggi di pasar internasional .
Indonesia, manggis merupakan salah satu komoditas hortikultura unggulan dengan prospek ekspor yang menjanjikan .
Menurut Badan Karantina Pertanian (BARANTAN), pada Juli 2023 ekspor manggis Indonesia mencapai 6,3 ribu ton dengan tujuan utama seperti Tiongkok.
Malaysia.
Uni Emirat Arab.
Hong Kong, dan Prancis.
Sementara itu.
BPS Sumatera Barat mencatat produksi manggis daerah tersebut pada 2022 269 ton, menegaskan posisinya sebagai komoditas hortikultura unggulan.
Keberhasilan produksi dan distribusi manggis sangat bergantung pada ketepatan penentuan tingkat kematangan sebelum panen, di mana warna kulit menjadi indikator utama karena berpengaruh terhadap rasa, tekstur, dan umur simpan buah.
Pemanenan yang terlalu dini menghasilkan buah asam dan keras, sementara pemanenan yang terlalu dini membuat buah terlalu lunak dan mudah rusak, yang berdampak pada kualitas dan nilai pasar, khususnya untuk ekspor yang menuntut standar tinggi .
Saat ini, penilaian kematangan masih dilakukan secara manual melalui observasi visual, namun metode ini bersifat subjektif dan bergantung pada pengalaman individu, sehingga berisiko menimbulkan ketidakkonsistenan.
Oleh karena itu, dibutuhkan pendekatan teknologi yang lebih objektif, akurat, dan dapat diandalkan untuk meningkatkan efisiensi dan konsistensi dalam penentuan tingkat kematangan buah.
Tingkat diklasifikasikan ke dalam beberapa indeks warna kulit, mulai dari indeks 1 .
ijau kekuninga.
hingga indeks 6 .
ngu kehitama.
, masing-masing mewakili tahap kematangan buah yang berbeda.
Pendekatan pemrosesan citra digital, khususnya melalui artificial intelligence, memungkinkan proses klasifikasi ini dilakukan secara otomatis dan lebih konsisten.
Salah satu teknologi dengan potensi signifikan di bidang ini adalah deep learning, khususnya Convolutional Neural Network (CNN), yang telah terbukti efektif dalam mengidentifikasi objek dan menganalisis data visual .
CNN dapat mengenali pola visual kompleks dalam gambar, bahkan dalam kondisi lingkungan yang bervariasi seperti pencahayaan tidak merata, https://ejournal.
id/index.
php/jict-ikmi objek kecil, dan oklusi .
Beberapa arsitektur CNN, seperti ResNet50V2.
DenseNet201, dan InceptionV3, telah banyak digunakan dalam berbagai penelitian untuk klasifikasi gambar karena masing-masing komputasi dan akurasi klasifikasi.
ResNet50V2 unggul dalam pelatihan model jaringan dalam yang stabil dan cepat .
DenseNet201 memungkinkan pemanfaatan fitur yang lebih optimal melalui koneksi padat antar lapisan .
, sedangkan InceptionV3 secara efektif menangkap informasi multiskala melalui konvolusi paralel .
Penelitian ini bertujuan mengembangkan aplikasi web untuk memprediksi tingkat kematangan manggis menggunakan pendekatan Hybrid CNN yang menggabungkan tiga arsitektur CNN, guna meningkatkan akurasi klasifikasi dibandingkan model tunggal.
Aplikasi ini dirancang agar dapat digunakan oleh petani dan pelaku industri pertanian dalam proses seleksi buah secara efisien dan sesuai standar kualitas Pengembangan ini diharapkan menjadi solusi inovatif berbasis deep learning bagi transformasi digital pertanian Indonesia yang lebih tepat dan berkelanjutan.
Metode Metode yang digunakan dalam pengembangan ini adalah metode System Development Life Cycle (SDLC) dengan model Waterfall.
Metode SDLC adalah metodologi yang sering digunakan dalam proses pengembangan sistem informasi.
Konsep SDLC ini menjadi dasar pengembangan berbagai sistem informasi, menyediakan kerangka kerja terorganisasi untuk merencanakan dan mengelola proyek sistem informasi .
Model Waterfall sendiri adalah salah satu pendekatan dalam SDLC yang bersifat linear dan berurutan, di mana setiap tahap pengembangan diselesaikan secara bertahap sebelum melanjutkan ke tahap berikutnya .
1 Analisis Kebutuhan (Requirements Analysi.
Tahap mengidentifikasi komponen penting yang harus dimiliki aplikasi agar berfungsi optimal.
Secara pengguna mengambil atau mengunggah gambar buah manggis dari kamera atau galeri, yang kemudian dianalisis menggunakan model Hybrid CNN untuk mengklasifikasikan tingkat kematangan .
ipe, semi-ripe, unrip.
dan ditampilkan melalui antarmuka yang sederhana dan mudah dipahami.
Dari sisi non-fungsional, sistem dituntut memiliki pemrosesan cepat dari berbagai perangkat dan browser, serta kemudahan penggunaan tanpa Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
20 - 25
p-ISSN: 2302-0261 e-ISSN: 2303-3363 pelatihan teknis.
Secara teknis, aplikasi harus responsif di berbagai ukuran layar, menggunakan teknologi Hybrid CNN sebagai inti prediksi, dan menyediakan fitur unggah gambar yang fleksibel.
2 Desain (Desig.
Arsitektur Hybrid CNN Sistem mengimplementasikan pendekatan hybrid learning dengan menggabungkan tiga model CNN dasar, yaitu InceptionV3.
DenseNet201, dan ResNet50V2.
Pendekatan ini diharapkan dapat meningkatkan akurasi klasifikasi karena setiap model memiliki karakteristik unik dalam menangkap fitur Arsitektur sistem memproses data gambar secara paralel melalui ketiga model, kemudian menggabungkan output untuk kematangan .
Dataset Model dilatih menggunakan dataset gambar buah manggis yang dikategorikan berdasarkan tiga tingkat kematangan.
Dataset dirancang mencakup variasi pencahayaan, sudut pengambilan, dan kondisi lingkungan kemampuan generalisasi model dalam kondisi penggunaan nyata.
Desain Antarmuka Pengguna Antarmuka aplikasi dirancang dengan fokus pada pengalaman pengguna yang intuitif, terdiri dari halaman menu utama dengan opsi pengambilan gambar dan navigasi ke panduan serta deskripsi aplikasi, halaman pengambilan gambar dengan dua metode input yaitu dengan menggunakan kamera dan galeri, halaman pratinjau untuk konfirmasi pemilihan gambar, halaman proses prediksi dengan indikator loading dan validasi objek, halaman hasil kematangan dengan tingkat akurasi, serta halaman panduan dan deskripsi aplikasi.
Alur Kerja Aplikasi Alur kerja aplikasi dimulai dari menu utama yang menyediakan tiga opsi, yaitu Pengambilan Gambar.
User Guide, dan About.
Untuk opsi Pengambilan Gambar, pengguna dapat menggunakan kamera secara langsung atau mengimpor gambar dari penyimpanan Setelah gambar dipilih, pengguna melihat pratinjau dan dapat melanjutkan dengan proses analisis.
Sistem memverifikasi gambar sebagai buah manggis, kemudian melakukan analisis menggunakan model Hybrid CNN dan menampilkan hasil prediksi Gambar memvisualisasikan alur kerja aplikasi dari awal hingga akhir penggunaan.
https://ejournal.
id/index.
php/jict-ikmi Gambar 1.
Diagram Alur Kerja Aplikasi 3 Implementasi (Implementatio.
Dalam pengembangan aplikasi, bagian implementasi dilakukan melalui beberapa tahapan.
Pengembangan Model Hybrid CNN Model dikembangkan dengan merancang arsitektur CNN hybrid yang mengintegrasikan pre-trained TensorFlow.
Keras, dan PyTorch.
Tujuannya adalah mengoptimalkan ekstraksi fitur gambar buah manggis melalui keunggulan masingmasing arsitektur.
Data Preprocessing Preprocessing ImageDataGenerator TensorFlow, mencakup data augmentation dan normalisasi nilai piksel ke rentang .
untuk memperluas distribusi data dan menjaga konsistensi input.
Model Training and Evaluation Model hybrid dilatih dengan membekukan lapisan awal menggunakan bobot ImageNet dan fine-tuning lapisan lainnya.
Proses EarlyStopping.
ModelCheckpoint.
ReduceLROnPlateau, serta class weights.
Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
20 - 25
Evaluasi dilakukan menggunakan akurasi, loss.
Confusion Matrix, precision, recall, dan F1score.
Implementasi Aplikasi Web Aplikasi dikembangkan secara full-stack, menggunakan HTML.
CSS.
JavaScript, dan Vue.
js di sisi frontend.
Backend dikembangkan dengan Python dan Flask sebagai REST API yang menghubungkan antarmuka pengguna dengan model machine learning.
p-ISSN: 2302-0261 e-ISSN: 2303-3363 4 Pengujian (Testin.
Pengujian difokuskan pada evaluasi antarmuka pengguna (UI/UX) dan akurasi model prediksi.
Pengujian UI/UX mengevaluasi kemudahan navigasi, proses unggah gambar, dan kejelasan penyajian hasil melalui pendekatan eksploratif untuk memastikan pengalaman pengguna yang Pengujian akurasi menggunakan metrik ROC Curve dan AUC dengan pendekatan One-vsRest untuk klasifikasi multi-class, mengukur performa prediksi melalui perbandingan dengan label sebenarnya .
aplikasi serta tiga tombol navigasi, yaitu Home.
About, dan User Guide.
Halaman Pengambilan Gambar Gambar 3.
Tampilan Halaman Menu AuUse CameraAy Gambar 3 menampilkan saat pengguna memilih AuUse CameraAy, di mana buah manggis terlihat langsung melalui kamera, disertai prediksi tingkat kematangan dan skor Tersedia tombol AuCapture for DetailsAy untuk mengambil gambar.
5 Pemeliharaan (Maintenanc.
Tahap akhir melibatkan pemeliharaan aplikasi dengan mempertimbangkan umpan balik pengguna untuk terus meningkatkan performa dan akurasi Manual pengguna disediakan sebagai panduan untuk penggunaan dan pemeliharaan Hasil dan Pembahasan Antarmuka Pengguna Berikut ini adalah hasil rancangan antarmuka aplikasi yang terdiri dari beberapa halaman utama sebagai berikut:
Halaman Menu Utama Gambar 4.
Tampilan Halaman Menu AuImport GalleryAy Sedangkan pada Gambar 4 menunjukkan tampilan saat pengguna memilih opsi AuImport GalleryAy, di mana sistem membuka penyimpanan perangkat untuk memilih gambar manggis yang akan diproses lebih lanjut untuk analisis tingkat kematangan.
Halaman Pratinjau Gambar Gambar 2.
Tampilan Halaman Menu Utama Tampilan awal yang berfungsi sebagai pusat navigasi, dengan dua tombol utama yaitu AuUse CameraAy untuk pengambilan gambar langsung dan AuImport GalleryAy untuk memilih gambar dari penyimpanan perangkat.
Di bagian atas, terdapat navbar dengan logo dan nama https://ejournal.
id/index.
php/jict-ikmi Gambar 5.
Tampilan Halaman Pratinjau Gambar Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
20 - 25
p-ISSN: 2302-0261 e-ISSN: 2303-3363 Gambar 5 menampilkan gambar yang dipilih oleh pengguna sebelum proses prediksi Pengguna dapat menekan AuAnalyze RipenessAy untuk melanjutkan.
AuRetakeAy untuk memilih ulang gambar.
Halaman Proses Prediksi Gambar 8.
Tampilan Halaman Hasil Prediksi Gambar 6.
Tampilan Halaman Proses Prediksi Gambar Gambar 6 menampilkan animasi loading dengan teks AuProcessing analyzing mangosteen ripenessAy sebagai indikator bahwa sistem sedang menganalisis gambar menggunakan model Hybrid CNN.
Hasil Evaluasi Model Model hybrid CNN diuji menggunakan 1.
gambar manggis dengan pembagian data latih .
%), validasi .
%), dan uji .
%).
Evaluasi dilakukan menggunakan metrik ROC dan AUC untuk mengukur kemampuan model dalam membedakan tingkat kematangan.
Nilai AUC untuk masing-masing kelas disajikan pada tabel berikut:
Tabel 1.
Nilai AUC untuk setiap Kelas Tingkat Kematangan Kelas Ripe Semi-Ripe Unripe Nilai AUC Interpretasi Sangat Baik Sangat Baik Sangat Baik Nilai AUC Micro-Average dan MacroAverage masing-masing sebesar 0.
9516 dan 0.
mencerminkan stabilitas performa model secara Gambar 7.
Tampilan Halaman Validasi gambar bukan manggis Setelah analisis selesai, sistem akan menampilkan hasil prediksi atau pesan peringatan "This doesn't appear to be a mangosteen fruit" jika gambar yang diunggah tidak teridentifikasi sebagai buah manggis, disertai tombol "Retake" untuk mengunggah gambar baru seperti pada Gambar 7.
Halaman Hasil Prediksi Halaman hasil prediksi menampilkan gambar buah beserta hasil klasifikasi (Ripe.
Semi-Ripe, atau Unrip.
disertai dengan skor Selain itu, informasi mengenai tindakan yang direkomendasikan, analisis warna dan tekstur, serta estimasi umur simpan juga disediakan, memberikan pemahaman yang lebih komprehensif kepada pengguna seperti yang ditampilkan pada gambar 8 berikut:
https://ejournal.
id/index.
php/jict-ikmi Gambar 9.
Receiver Operating Characteristic (ROC) Curve Multi Class Pada Gambar 9 menunjukkan performa model dalam mengenali kematangan manggis.
Kelas Ripe mencapai AUC tertinggi .
, menunjukkan kemampuan klasifikasi yang sangat akurat.
Sebaliknya, kelas Semi-Ripe memperoleh nilai AUC terendah .
, menandakan tantangan dalam membedakan ciri visualnya yang cenderung Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
20 - 25
tumpang tindih dengan kelas lain.
Hal ini menegaskan bahwa model lebih mudah mengenali kelas dengan ciri visual yang lebih jelas.
Tabel 2.
Akurasi Klasifikasi per Kelas Berdasarkan Confusion Matrix Kelas Ripe Semi-Ripe Unripe Akurasi Analisis confusion matrix menunjukkan perbedaan antara nilai AUC dan akurasi.
Meskipun Semi-Ripe memiliki AUC terendah, akurasinya tertinggi .
,17%).
Sebaliknya.
Unripe dengan AUC 0.
9303 justru menunjukkan akurasi terendah .
,91%).
Hal ini kemungkinan disebabkan oleh kemiripan visual antara buah mentah dan setengah matang, terutama dalam kondisi pencahayaan Pada nilai Micro-Average dan MacroAverage yang mendekati sama menunjukkan bahwa model hybrid CNN mampu mengklasifikasikan tiap kelas secara seimbang, mencerminkan efektivitas pendekatan hybrid dalam mengenali ciri-ciri penting meskipun data tidak sepenuhnya seimbang.
Kesimpulan Penelitian ini berhasil mengembangkan aplikasi web berbasis Hybrid CNN untuk klasifikasi tingkat kematangan buah manggis, yang menggabungkan tiga arsitektur CNN (InceptionV3.
DenseNet201, dan ResNet50V.
Pendekatan ini terbukti meningkatkan akurasi dibandingkan model tunggal, dengan kemampuan mengidentifikasi tiga kategori kematangan secara otomatis dan objektif.
Aplikasi dikembangkan menggunakan metodologi Waterfall dengan antarmuka yang intuitif, sehingga mudah digunakan tanpa pelatihan teknis khusus.
Evaluasi terhadap 1.
681 gambar menunjukkan performa sangat baik, dengan AUC sebesar 0,9938 .
, 0,9303 .
, dan 0,9108 .
emi-rip.
Nilai Micro-Average AUC 0,9516 dan MacroAverage AUC 0,9482 mengindikasikan kestabilan Kendala ditemukan pada klasifikasi buah mentah .
yang memiliki akurasi terendah .
,91%) akibat kemiripan visual dengan kategori lain dan sensitivitas terhadap kualitas pencahayaan.
Pengembangan selanjutnya dapat difokuskan pada peningkatan variasi dataset dan integrasi ke aplikasi mobile untuk meningkatkan aksesibilitas.
Penelitian ini diharapkan berkontribusi dalam transformasi digital pertanian melalui solusi deep learning yang mendukung penentuan kualitas manggis secara efisien dan konsisten untuk kebutuhan ekspor.
Daftar Pustaka