Terbit online pada laman web jurnal: http://journal.
id/index.
php/JASENS JOURNAL OF APPLIED SMART ELECTRICAL
NETWORK AND SYSTEMS (JASENS)
Vol.
6 No.
139 - 146
ISSN Media Elektronik: 2723-5467 Model Deep Learning Hybrid CNN-AE untuk Klasifikasi Presisi Warna Buah Melon Dini Septiyani AR1.
Tresna Dewi2.
Yurni Oktarina3
Abstract
1,2,3
Teknik Elektro.
Politeknik Negeri Sriwijaya diniseptiyani78@gmail.
com , 2tresna_dewi@polsri.
id , 3yurni_oktarina@polsri.
Melon fruit color classification is a crucial step in determining fruit quality and ripeness.
In this study, a hybrid deep learning model that integrates a Convolutional Neural Network (CNN) with Attention Enhancement (AE) is proposed for precise melon color classification.
The proposed model exploits the capability of CNN to extract discriminative visual features while enhancing the modelAos focus on salient regions through the AE module.
The melon image dataset was collected from multiple sources and includes variations in lighting conditions and acquisition angles.
A comprehensive preprocessing stage was applied, comprising data augmentation, pixel normalization, and image resizing, to improve data diversity and learning The hybrid CNN-AE architecture was constructed by embedding an AE module within the CNN framework, enabling adaptive feature weighting and improved emphasis on informative regions of the input images.
Experimental evaluations were conducted by comparing the proposed hybrid CNN-AE model with a conventional CNN using the same The results demonstrate that the hybrid model achieves superior classification performance, with an average accuracy improvement of approximately 5% over the standard CNN.
Moreover, the proposed model exhibits enhanced stability and robustness against image noise and illumination variations.
These results indicate that the incorporation of Attention Enhancement into CNN yields a more adaptive and reliable approach for melon fruit color classification.
This study contributes to the development of automated melon color classification systems that can be applied in agricultural production, fruit distribution, and market sorting processes.
The proposed hybrid model enables faster, more accurate, and more efficient melon selection and sorting, thereby providing added value for farmers, traders, and consumers.
Keywords: Deep Learning.
CNN.
Attention Enhancement, color classification, melon fruit Abstrak Klasifikasi warna buah melon menjadi salah satu langkah penting dalam menentukan kualitas dan kematangan buah.
Dalam penelitian ini, kami mengusulkan model deep learning hybrid yang menggabungkan Convolutional Neural Network (CNN) dan Attention Enhancement (AE) untuk klasifikasi presisi warna buah melon.
Model ini dirancang untuk memanfaatkan keunggulan CNN dalam mengekstraksi fitur visual, sekaligus meningkatkan fokus pada area-area penting melalui AE.
Dataset gambar buah melon dikumpulkan dari berbagai sumber, mencakup variasi kondisi pencahayaan dan sudut pengambilan gambar.
Selanjutnya, dilakukan tahap pra-pemrosesan, termasuk augmentasi data, normalisasi, dan penskalaan gambar agar model dapat belajar dari variasi data yang lebih luas.
Arsitektur model hybrid CNN-AE dibangun dengan menambahkan modul AE pada lapisan CNN.
Modul AE ini membantu meningkatkan pemahaman model terhadap area penting dalam gambar, sehingga dapat meningkatkan akurasi klasifikasi.
Eksperimen dilakukan dengan membandingkan performa CNN standar dan model hybrid CNN-Attention pada dataset yang telah disiapkan.
Hasil pengujian menunjukkan bahwa model hybrid mampu mencapai akurasi klasifikasi yang lebih tinggi, dengan peningkatan rata-rata akurasi sebesar 5% dibandingkan CNN standar.
Selain itu, model hybrid juga menunjukkan stabilitas dan ketahanan yang lebih baik terhadap noise pada gambar dan variasi pencahayaan.
Hal ini menunjukkan bahwa penerapan Attention Enhancement pada CNN dapat menghasilkan model yang lebih adaptif dan andal dalam klasifikasi warna buah melon.
Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan teknologi klasifikasi warna buah melon secara otomatis, yang dapat diterapkan di industri pertanian, distribusi buah, dan pasar.
Dengan model hybrid ini, proses seleksi dan sortasi buah melon dapat dilakukan secara lebih cepat, akurat, dan efisien, sehingga memberikan nilai tambah bagi petani, pedagang, dan konsumen.
Kata kunci: Deep Learning.
CNN.
Attention Enhancement, klasifikasi warna, buah melon Diterima Redaksi : 04-06-2025 | Selesai Revisi : 20-12-2025 | Diterbitkan Online : 31-12-2025 Dini Septiyani AR1.
Tresna Dewi2.
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
139 Ae 146 Pendahuluan Attention Enhancement yang ringan secara komputasi memiliki potensi untuk diterapkan pada sistem realBuah melon merupakan salah satu komoditas pertanian Model ini dapat diintegrasikan ke perangkat yang memiliki nilai ekonomi tinggi di pasar lokal berbasis embedded system seperti edge device, kamera maupun internasional.
Salah satu aspek penting dalam pintar .
mart camer.
, atau mesin sortasi otomatis di proses panen, distribusi, dan pemasaran buah melon lini produksi buah.
Dengan dukungan perangkat adalah klasifikasi warna, yang menjadi indikator utama komputasi tepi .
dge computin.
, proses identifikasi kematangan dan kualitas buah.
Warna buah melon, warna melon dapat dilakukan secara langsung saat buah khususnya hijau dan orange, sering kali menjadi bergerak di conveyor, sehingga meningkatkan efisiensi penentu diterima atau tidaknya buah oleh konsumen dan konsistensi sortasi tanpa ketergantungan penuh dan pasar.
Oleh karena itu, metode klasifikasi warna pada inspeksi manual.
yang akurat dan efisien sangat diperlukan untuk mendukung produktivitas dan kualitas buah melon.
Kebaruan penelitian ini tidak terletak pada sehingga memberikan keuntungan yang lebih baik bagi pengembangan mekanisme attention baru, melainkan petani, pedagang, dan konsumen.
pada penerapan dan integrasi Attention Enhancement Seiring dengan perkembangan teknologi digital, (AE) ke dalam arsitektur Convolutional Neural pengolahan citra dan kecerdasan buatan, khususnya Network (CNN) yang dirancang secara ringan dan deep learning, telah menjadi pendekatan yang semakin spesifik untuk klasifikasi presisi warna buah melon.
populer untuk menyelesaikan permasalahan klasifikasi Kontribusi utama penelitian ini mencakup optimalisasi warna buah.
Convolutional Neural Network (CNN) pemfokusan fitur warna pada domain buah melon, menjadi salah satu arsitektur deep learning yang telah peningkatan ketahanan model terhadap variasi terbukti efektif dalam pengenalan pola visual, termasuk pencahayaan dan noise citra, serta evaluasi komparatif dalam klasifikasi citra buah .
CNN memiliki yang menunjukkan peningkatan kinerja dibandingkan keunggulan dalam mengekstraksi fitur visual secara CNN standar pada kondisi data yang sama.
Selain itu, mendalam, tetapi masih memiliki keterbatasan dalam desain arsitektur yang efisien secara komputasi menangkap konteks spasial yang lebih kompleks.
Hal membuka peluang implementasi model pada sistem ini dapat memengaruhi akurasi klasifikasi, terutama sortasi otomatis berbasis real-time atau perangkat pada gambar yang memiliki variasi pencahayaan dan embedded di sektor pertanian.
noise yang tinggi.
Metode Penelitian Attention Enhancement (AE) adalah proses atau teknik Penelitian ini menggunakan pendekatan deep learning yang bertujuan meningkatkan efisiensi dan efektivitas dari attention mechanism dalam deep learning.
menggabungkan CNN dan AE.
Model hybrid ini Attention Enhancement (AE) membantu model untuk dirancang untuk meningkatkan akurasi klasifikasi secara adaptif memprioritaskan fitur visual yang warna buah melon dengan memanfaatkan keunggulan relevan, sehingga menghasilkan klasifikasi yang lebih CNN dalam mengekstraksi fitur visual, serta Dalam penelitian ini, kami mengusulkan model kemampuan AE dalam memfokuskan perhatian model hybrid yang menggabungkan CNN dan AE sebagai pada area penting dalam gambar.
solusi klasifikasi presisi warna buah melon menjadi dua kategori, yaitu hijau dan orange.
Terkait spesifikasi arsitektur CNN, model yang digunakan dalam penelitian ini dirancang sebagai CNN Penelitian merancang, ringan yang berfokus pada ekstraksi fitur warna dan mengimplementasikan, dan mengevaluasi performa tekstur sebagai pembeda utama antara melon hijau dan model hybrid CNN-AE dalam klasifikasi warna buah orange.
Arsitektur terdiri dari beberapa lapisan Selain itu, penelitian ini juga membandingkan konvolusi berurutan yang diikuti oleh fungsi aktivasi akurasi model hybrid dengan model CNN standar untuk ReLU dan lapisan pooling untuk reduksi dimensi fitur.
menunjukkan potensi peningkatan performa yang dapat Lapisan konvolusi awal menggunakan jumlah filter dicapai dengan AE.
Hasil penelitian diharapkan dapat yang lebih kecil untuk menangkap fitur dasar .
arna memberikan kontribusi pada pengembangan teknologi dan tep.
, kemudian meningkat pada lapisan yang lebih klasifikasi warna buah melon secara otomatis dan dalam untuk mengekstraksi fitur yang lebih kompleks.
aplikatif dalam industri pertanian dan rantai pasok buah Ukuran kernel konvolusi yang digunakan adalah Dengan demikian, teknologi ini dapat ukuran standar pada pengolahan citra .
, karena mendukung proses seleksi, sortasi, dan distribusi buah ukuran ini efektif dalam menangkap pola lokal tanpa melon yang lebih cepat, akurat, dan efisien.
Setelah blok konvolusi dan pooling, fitur Selain peningkatan akurasi, kebutuhan industri diteruskan ke lapisan fully connected untuk proses pertanian modern juga menuntut sistem klasifikasi yang klasifikasi dua kelas.
Desain arsitektur ini dipilih agar mampu bekerja secara cepat dan otomatis.
Model tetap efisien secara komputasi, sehingga mendukung berbasis CNN yang dikombinasikan dengan modul potensi implementasi pada sistem real-time atau Journal of Applied Smart Electrical Network and Systems (JASENS) Dini Septiyani AR1.
Tresna Dewi2.
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
139 Ae 146 perangkat embedded sebagaimana ditargetkan dalam penelitian.
Mengenai parameter Attention Enhancement (AE), modul AE ditempatkan setelah blok konvolusi untuk melakukan penyesuaian bobot fitur secara adaptif.
bekerja dengan mekanisme penekanan dan penguatan fitur .
eature re-weightin.
berbasis informasi spasial dari peta fitur CNN.
Dengan pendekatan ini, area citra yang memiliki kontribusi besar terhadap perbedaan warna melon akan memperoleh bobot lebih tinggi, sementara area latar belakang atau noise ditekan.
Parameter utama AE disesuaikan agar tetap ringan, sehingga tidak menambah beban komputasi secara Integrasi AE ini menjadi kunci peningkatan performa, yang terbukti dari kenaikan akurasi sekitar 5% dibanding CNN standar sebagaimana dilaporkan pada hasil penelitian.
Pemilihan jumlah epoch pelatihan .
ekitar 30 epoc.
didasarkan pada pengamatan kurva akurasi dan loss selama proses pelatihan.
Dari grafik yang ditampilkan.
Gambar 1.
Alur Penelitian model telah menunjukkan konvergensi stabil sebelum epoch maksimum tercapai, ditandai dengan kurva 2.
Dataset training dan validation yang meningkat konsisten dan tidak menunjukkan divergensi signifikan.
Penambahan Penelitian ini menggunakan pendekatan deep learning epoch lebih lanjut berpotensi meningkatkan risiko dengan CNN AE.
Model overfitting tanpa peningkatan performa yang berarti.
Sementara itu, ukuran dataset yang digunakan .
untuk meningkatkan akurasi dalam mengklasifikasikan gamba.
memang relatif terbatas, namun telah warna buah melon menjadi dua kategori, yaitu hijau diimbangi melalui teknik augmentasi data dan variasi dan oranye.
kondisi pencahayaan serta sudut pengambilan gambar.
Dataset yang digunakan dalam penelitian ini diambil Selain itu, distribusi kelas dibuat seimbang untuk dari platform Kaggle.
Jumlah gambar yang digunakan menjaga kestabilan proses pembelajaran model.
sebanyak 400, yang terdiri dari buah melon berwarna Dalam penelitian ini, data gambar buah melon yang hijau dan oranye.
Gambar-gambar ini memiliki variasi memiliki dua kategori warna utama, yaitu hijau dan dari segi pencahayaan, latar belakang, dan sudut orange, digunakan sebagai input untuk melatih model.
pengambilan gambar.
Hal ini membuat dataset menjadi Setiap gambar diproses melalui serangkaian tahap pra- lebih representatif dan relevan dengan kondisi nyata.
pemrosesan yang meliputi penskalaan ukuran.
Berikut sampel dataset ditunjukkan pada Gambar 2.
normalisasi nilai piksel, dan augmentasi data untuk menghasilkan variasi citra yang lebih luas.
Hal ini dilakukan untuk memastikan data yang digunakan konsisten dan representatif, serta mendukung pembelajaran model yang lebih baik.
Dengan metode ini, penelitian diharapkan dapat menghasilkan model klasifikasi warna buah melon yang akurat, stabil, dan adaptif terhadap variasi gambar, serta dapat diterapkan pada proses sortasi buah melon secara otomatis di industri pertanian .
Berikut alur penelitian yang ditunjukkan pada Gambar 1.
Gambar 2.
Dataset Journal of Applied Smart Electrical Network and Systems (JASENS) Dini Septiyani AR1.
Tresna Dewi2.
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
139 Ae 146 (Sumber: https://w.
com/datasets/aelchimminut/fruits.
Preprocessing Data model dapat memfokuskan perhatiannya pada bagian gambar yang paling berpengaruh terhadap hasil klasifikasi.
Proses data atau processing merupakan tahap penting Penggunaan kombinasi CNN dan AE ini diharapkan dalam penelitian ini, yang bertujuan untuk menyiapkan dapat meningkatkan kemampuan model dalam data agar sesuai dengan kebutuhan model deep learning.
membedakan warna hijau dan oranye pada buah melon.
Data gambar buah melon yang telah melewati tahap AE membantu memastikan bahwa informasi penting pra-pemrosesan kemudian diolah lebih lanjut untuk dari gambar tidak terlewatkan oleh model, sementara diubah menjadi format yang kompatibel dengan CNN tetap menjadi tulang punggung yang arsitektur model hybrid CNN-AE.
mengekstraksi fitur utama .
Hasilnya adalah model hybrid yang lebih cerdas dan mampu melakukan Setiap gambar diubah menjadi representasi numerik klasifikasi warna buah melon dengan akurasi yang .
yang berisi nilai-nilai piksel yang telah lebih tinggi.
Konversi ini penting karena model deep learning hanya dapat memproses data dalam bentuk numerik, bukan dalam bentuk gambar mentah.
Setelah gambar diubah menjadi array numerik, data kemudian dibagi menjadi dua bagian utama, yaitu data pelatihan dan data uji.
Pembagian data ini dilakukan secara proporsional agar model dapat belajar dari data pelatihan dan dievaluasi menggunakan data uji yang belum pernah dilihat sebelumnya.
Biasanya, data pelatihan mengambil porsi sekitar 80%, sedangkan data uji mengambil 20% dari keseluruhan dataset.
Berikut training dan testing dataset yang ditunjukkan pada Tabel 1.
Tabel 1.
Training dan Testing Dataset Product Jumlah Training Testing Melon Hijau Melon Orenye CNN-AE Model yang digunakan dalam penelitian ini merupakan kombinasi dari CNN dan AE.
CNN dikenal sebagai salah satu arsitektur deep learning yang sangat efektif untuk pengolahan data visual, seperti gambar.
CNN
bekerja dengan menggunakan lapisan-lapisan konvolusi yang berfungsi untuk mengekstraksi berbagai fitur penting dari gambar, seperti tekstur, pola, dan distribusi Lapisan pooling yang biasanya menyertai lapisan konvolusi membantu mereduksi ukuran fitur, sehingga komputasi menjadi lebih ringan tanpa kehilangan informasi penting.
Dalam konteks penelitian ini.
CNN digunakan sebagai fondasi utama untuk mempelajari karakteristik visual dari buah melon.
CNN mampu mengenali pola umum dalam gambar, seperti perbedaan warna hijau dan oranye pada buah melon, serta detail lain yang membedakan kedua kelas tersebut .
Namun.
CNN sendiri masih memiliki keterbatasan, terutama dalam menentukan area mana dari gambar yang paling relevan untuk tugas klasifikasi.
Gambar 3.
Arsitektur CNN-AE Arsitektur dalam penelitian ini dirancang untuk menyeimbangkan akurasi klasifikasi dan efisiensi komputasi, sehingga berpotensi diterapkan pada sistem embedded atau perangkat edge computing.
Tabel 2.
Arsitektur CNN-AE Layer Output Shape Parameter Utama Keterangan Fungsi Input Layer 150, .
Citra
RGB
ukuran 150y150 Conv2D-1 150, .
32 filter, 3y3.
ReLU, padding='same' SE Block-1 150, .
Global Average Pooling Dense Sigmoid MaxPoolin g2D-1 Pool 2y2 Mengurangi Conv2D-2 64 filter, 3y3.
ReLU Ekstraksi SE Block-2 Channel Memperkuat yang relevan Untuk mengatasi keterbatasan ini, modul AE ditambahkan ke dalam arsitektur CNN.
AE bekerja dengan menyoroti area-area penting pada gambar dan menekan area yang kurang relevan.
Dengan demikian.
Journal of Applied Smart Electrical Network and Systems (JASENS) Ekstraksi fitur .
Channel menimbang fitur Dini Septiyani AR1.
Tresna Dewi2.
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
139 Ae 146 MaxPoolin g2D-2 Conv2D-3 Pool 2y2 Downsampling .
, 37, 128 filter, 3y3.
ReLU Ekstraksi fitur ola kulit melo.
SE Block-3
, 37,
Channel
Fokus pada fitur
paling informatif
MaxPoolin
g2D-3
, 18,
Pool 2y2 Reduksi ukuran feature map Flatten Ae Mengubah menjadi vektor Dense-1 ReLU Fully connected Dropout Rate = 0.
Mengurangi Output Dense Sigmoid Output biner (Hijau vs Orang.
beberapa epoch biasanya antara 20 hingga 50 epoch untuk memastikan model memperoleh pemahaman yang mendalam terhadap pola-pola data.
Untuk memonitor performa selama pelatihan, digunakan metrik akurasi dan loss yang ditampilkan dalam grafik.
Hasil dari pelatihan ini menunjukkan bahwa model hybrid CNN-AE mampu mencapai akurasi yang lebih tinggi dibandingkan CNN standar .
Ini menunjukkan bahwa AE berhasil membantu model memfokuskan perhatian pada area penting dalam gambar, sehingga klasifikasi menjadi lebih presisi.
Dengan pelatihan yang optimal, model yang dihasilkan dapat digunakan untuk mendukung aplikasi di bidang pertanian, khususnya dalam klasifikasi warna buah melon secara otomatis dan efisien.
Evaluasi Evaluasi dilakukan setelah proses pelatihan selesai, menggunakan data uji yang sebelumnya telah dipisahkan dari data pelatihan.
Hal ini bertujuan untuk mengukur kemampuan generalisasi model pada data yang belum pernah dilihat sebelumnya.
Dalam evaluasi, metrik utama yang digunakan adalah akurasi.
Akurasi menunjukkan persentase prediksi Model yang digunakan merupakan Convolutional model yang benar dari keseluruhan data uji.
Selain Neural Network (CNN) yang dipadukan dengan SE akurasi, nilai loss juga diamati untuk menilai seberapa Block (Squeeze-and-Excitatio.
sebagai mekanisme besar kesalahan yang dihasilkan model dalam proses attention untuk meningkatkan representasi fitur.
Input klasifikasi.
Semakin kecil nilai loss, semakin baik berupa citra RGB berukuran 150y150 piksel diproses model dalam menyesuaikan bobotnya terhadap data.
melalui tiga lapisan konvolusi dengan jumlah filter bertingkat .
, 64, dan .
serta aktivasi ReLU untuk Selain metrik kuantitatif tersebut, evaluasi juga mengekstraksi fitur dari tingkat dasar hingga kompleks, dilakukan dengan menampilkan confusion matrix.
di mana setiap lapisan konvolusi diikuti SE Block yang Confusion matrix membantu melihat distribusi prediksi menyesuaikan bobot tiap channel agar model lebih model pada masing-masing kelas, sehingga dapat fokus pada informasi penting.
Setelah proses diketahui apakah ada kecenderungan model untuk bias MaxPooling untuk reduksi dimensi, fitur diubah ke salah satu kelas.
Dari confusion matrix, diperoleh lalu nilai presisi, recall, dan F1-score, yang memberikan diklasifikasikan melalui fully connected layer berisi gambaran lebih lengkap tentang performa model, 128 neuron dengan Dropout 0,5 guna mengurangi terutama ketika datasetnya tidak seimbang.
Lapisan output menggunakan satu neuron beraktivasi sigmoid untuk klasifikasi biner antara Secara keseluruhan, evaluasi ini menegaskan bahwa melon hijau dan melon orange, dengan pelatihan kombinasi CNN dan AE dapat meningkatkan kualitas menggunakan optimizer Adam dan fungsi loss binary prediksi model.
Dengan akurasi yang tinggi dan kesalahan yang rendah, model ini diharapkan dapat diimplementasikan dalam industri pertanian, khususnya Pelatihan Model dalam proses seleksi buah melon secara otomatis dan Pelatihan model merupakan tahap inti dari penelitian ini, di mana model hybrid CNN-AE dilatih Hasil dan Pembahasan menggunakan dataset gambar buah melon yang telah melalui tahap pra-pemrosesan.
Proses pelatihan Penelitian ini menghasilkan model klasifikasi presisi dilakukan secara menyeluruh di Google Colab, warna buah melon yang memanfaatkan arsitektur memanfaatkan GPU yang disediakan secara gratis agar hybrid CNN-AE.
Hasil model menunjukkan bahwa proses komputasi menjadi lebih cepat dan efisien.
model ini mampu mengklasifikasikan warna buah melon menjadi dua kategori, yaitu hijau dan oranye.
Optimizer yang digunakan adalah Adam, yang terkenal dengan akurasi yang cukup tinggi.
stabil dan cepat konvergen.
Model dilatih dalam Journal of Applied Smart Electrical Network and Systems (JASENS) Dini Septiyani AR1.
Tresna Dewi2.
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
139 Ae 146 Berdasarkan evaluasi pada data uji, model hybrid Gambar 5.
memperlihatkan sebuah confusion matrik benhasil mencapai rata-rata akurasi sebesar 92%, yang menggambarkan hasil klasifikasi dari dua jenis meningkat sekitar 5% dibandingkan dengan model melon yaitu melon hijau dan melon orange.
Matriks ini CNN yang hanya mampu mencapai akurasi 87%.
Hal menunjukkan bahwa model mampu mengenali 200 ini menunjukkan bahwa penambahan modul Attention gambar melon hijau dan 192 melon orange dengan Enhancement memiliki kontribusi positif terhadap benar.
Hasil ini menunjukkan bahwa model klasifikasi perfoma model.
yang digunakan memiliki akurasi yang tinggi.
Selain akurasi, metrik evaluasi lainnya seperti precision, 3.
Accuracy and Validation Loss recall, dan F1-score juga menunjukkan hasil yang Nilai precision dan recall berada di atas 90%, menandakan bahwa model tidak hanya akurat tetapi juga memiliki keandalan yang baik dalam mengklasifikasi gambar ke dalam kategori yang tepat.
Secara visual, hasil evaluasi yang ditampilkan melalui confusion matrik menunjukkan distribusi yang merata.
Hasil ini mendukung hipotesis awal penelitian bahwa arsitektur CNN-AE lebih unggul daripada CNN standar.
Penambahan AE membuat model lebih sensitif dalam menangkap perbedaan warna yang menjadi ciri khas dari kedua kelas buah melon.
Pembahasan ini menegaskan pentingnya integrasi attention pada model deep learning, khususnya untuk klasifikasi gambar berbasis warna.
Hal ini menunjukkan bahwa Gambar 4.
memiliki akurasi yang sangat baik dalam membedakan dua jenis melon berdasarkan citra.
Gambar 4.
Daftar gambar melon beserta akronimnya Gambar 6.
Grafik Accuracy Gambar diatas menunjukkan grafik akurasi model selama proses pelatihan .
dan validasi .
selama 30 epoc.
Garis biru menggambar akurasi data pelatihan, sedangkan garis oranye mewakili akurasi data validasi.
Telihat bahwa kedua kurva naik secara konsisten dari awal hingga akhir epoch, menunjukkan bahwa model semakin baik dalam melakukan klasifikasi seiring dengan bertambahnya epoch.
Pada akhir pelatihan, akurasi kedua kurva mendekati angka 1 .
%), yang menandakan model memiliki akurasi yang sangat tinggi untuk kedua dataset.
Grafik ini juga memperlihatkan bahwa model mampu belajar dengan baik dan tidak mengalami overfitting yang signifikan, karena kedua kurva tetap dekat satu sama lain.
Confusion Matrix Gambar 5.
Confusion Matrix Gambar 7.
Grafik Loss Journal of Applied Smart Electrical Network and Systems (JASENS) Dini Septiyani AR1.
Tresna Dewi2.
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
139 Ae 146 Dari grafik tersebut, terlihat bahwa baik train loss berhasil mencapai konvergensi yang baik dengan maupun validation loss mengalami penurunan secara performa tinggi dan stabil.
konsisten seiring bertambahnya jumlah epoch.
Awalnya, train loss berada pada nilai sekitar 0,65 dan 3.
Data Hasil Prediksi secara bertahap turun hingga mendekati 0,02.
Tabel 3.
Data Hasil Prediksi Sementara itu, validation loss dimulai dari angka Class Precision Recall F1Support sekitar 0,5 dan juga menurun ke angka yang hampir sama, bahkan sedikit lebih rendah dari train loss di beberapa titik.
Pola penurunan yang serupa ini Melon menunjukkan bahwa model mampu belajar dengan baik Hijau dari data pelatihan tanpa mengorbankan performa Melon terhadap data baru .
Orange Penurunan nilai loss pada kedua garis ini Accuracy mencerminkan proses pelatihan yang stabil dan efektif.
Model tidak menunjukkan gejala overfitting .
i mana Marco train loss rendah tetapi validation loss tingg.
maupun underfitting .
i mana kedua nilai tetap tingg.
Sebaliknya, model berhasil melakukan generalisasi Weighted dengan baik, yang berarti ia mampu mengenali pola penting dari data dan menerapkannya secara akurat pada data yang belum pernah dilihat sebelumnya.
Tabel tersebut menampilkan laporan klasifikasi atau Kinerja yang baik ini juga mengindikasikan bahwa classification report yang merupakan hasil evaluasi dari CNN-AE digunakan model deep learning hybrid CNN-AE.
Model ini memberikan kontribusi signifikan dalam mengekstraksi digunakan untuk mengklasifikasikan warna buah melon dan memfokuskan perhatian pada fitur-fitur penting menjadi dua kelas, yaitu Melon Hijau dan Melon dari citra buah melon.
Dengan demikian, model ini Orange.
Evaluasi ini dilakukan dengan menggunakan mampu melakukan klasifikasi presisi warna melon data validasi sebanyak 400 gambar, yang terbagi rata, secara akurat dan konsisten selama proses pelatihan.
masing-masing 200 gambar untuk Melon Hijau dan 200 gambar untuk Melon Orange.
Standar Deviasi Accuracy and Eppoch Pada kelas Melon Hijau, model berhasil mencapai nilai precision sebesar 0,96.
Artinya, dari seluruh gambar yang diprediksi sebagai Melon Hijau, 96% memang benar-benar Melon Hijau.
Nilai recall-nya bahkan mencapai 1,00, yang menunjukkan bahwa semua gambar Melon Hijau dalam data validasi berhasil dikenali dengan tepat oleh model.
Kombinasi dari precision dan recall tersebut menghasilkan nilai f1score sebesar 0,98, yang menandakan performa yang sangat baik dan konsisten dalam mengklasifikasikan kelas ini.
Sementara itu, pada kelas Melon Orange, nilai precision-nya adalah 1,00, yang berarti setiap prediksi model terhadap Melon Orange selalu tepat dan tidak Gambar tersebut menunjukkan proses konvergensi ada yang salah diklasifikasikan.
Namun, nilai recallakurasi model selama 20 epoch pelatihan.
Akurasi nya sedikit lebih rendah, yaitu 0,96, yang training dan validation sama-sama mengalami mengindikasikan bahwa ada sekitar 4% gambar Melon peningkatan yang stabil dari epoch awal hingga akhir.
Orange yang tidak berhasil dikenali sebagai Melon dengan selisih nilai yang kecil, menandakan model Orange dan mungkin diklasifikasikan sebagai Melon tidak mengalami overfitting dan memiliki kemampuan Hijau.
Meskipun demikian, nilai f1-score untuk kelas generalisasi yang baik.
Garis tren putus-putus ini juga tetap tinggi, yakni 0,98, yang menunjukkan memperlihatkan kecenderungan kenaikan performa bahwa performa model untuk kelas Melon Orange yang konsisten, sedangkan area bayangan .
tandar hampir setara dengan Melon Hijau.
yang semakin menyempit di epoch akhir Secara keseluruhan, model ini memiliki tingkat akurasi menunjukkan bahwa variasi performa model menurun sebesar 0,98.
Ini berarti bahwa dari 400 gambar pada dan pembelajaran menjadi lebih stabil.
Secara data validasi, sebanyak 98% berhasil diklasifikasikan keseluruhan, grafik ini membuktikan bahwa model dengan benar, hanya 2% gambar yang mengalami Gambar 8.
Grafik Standar Deviasi Accuracy and Eppoch kesalahan prediksi.
Selain itu, nilai macro average dan Journal of Applied Smart Electrical Network and Systems (JASENS) Dini Septiyani AR1.
Tresna Dewi2.
Yurni Oktarina3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
6 No.
139 Ae 146 weighted average untuk precision, recall, dan f1-score semuanya juga bernilai 0,98, yang menunjukkan bahwa .
model bekerja secara seimbang dan adil terhadap kedua kelas, tanpa ada kecenderungan bias ke salah satu kelas Conf.
Advances in Information Technology (IAIT), 2020, doi:
1145/3406601.
Bilal M et al.
AuAutomated mango classification using convolutional neural networks (CNN),Ay International Journal of Innovative Science and Research Technology (IJISRT), pp.
269Ae275.
Sep.
2024, doi: 10.
38124/ijisrt/ijisrt24sep163.
Hafiez et al.
AuOptimasi klasifikasi gambar varietas jenis tomat dengan data augmentation dan convolutional neural Hasil evaluasi ini membuktikan bahwa arsitektur network,Ay Smart Comp: Jurnalnya Orang Pintar Komputer, hybrid CNN-AE bekerja sangat efektif dalam 175Ae186.
Apr.
mengenali warna buah melon.
CNN membantu dalam 30591/smartcomp.
mengekstraksi fitur penting dari gambar, seperti tekstur .
Masykur.
Setyawan, and K.
Winangun.
AuEpoch optimization on rice leaf image classification using dan bentuk, sedangkan komponen AE membantu model convolutional neural network (CNN) MobileNet,Ay CESS untuk fokus pada area-area gambar yang paling relevan, (Journal of Computer Engineering.
System and Scienc.
, vol.
seperti warna permukaan buah.
Kombinasi ini 2, p.
Jul.
2022, doi: 10.
24114/cess.
menghasilkan model yang mampu membedakan warna .
Ayala-Niyo and J.
Gonzylez-Camacho.
AuEvaluation of machine learning models to identify peach varieties based on melon dengan tingkat akurasi dan presisi yang tinggi.
leaf color,Ay Agrociencia, vol.
56, no.
4, pp.
669Ae703.
Jan.
doi: 10.
47163/agrociencia.
Kesimpulan .
Chen et al.
AuCombined effect of ozone treatment and modified atmosphere packaging on antioxidant defense system Penelitian ini berhasil membangun dan menguji model of fresh-cut green peppers,Ay Journal of Food Processing and hybrid Convolutional Neural Network (CNN)Preservation, vol.
40, 2016, doi: 10.
1111/jfpp.
Attention Enhancement (AE) untuk klasifikasi presisi .
Gill and B.
Khehra.
AuHybrid classifier model for fruit classification,Ay Multimedia Tools and Applications, vol.
80, pp.
warna buah melon menjadi dua kelas utama, yaitu hijau 1Ae36.
Jul.
2021, doi: 10.
1007/s11042-021-10772-9 dan oranye.
Model ini memanfaatkan kekuatan CNN .
Noune.
Jones.
Justus.
Masters, and C.
Luschi.
Au8untuk mengekstraksi fitur visual dasar dan modul bit numerical formats for deep neural networks,Ay arXiv:2206.
Jun.
Attention Enhancement untuk meningkatkan fokus .
Shehab et al.
AuEfficient real-time object detection based pada area-area penting dalam gambar.
on convolutional neural network,Ay in Proc.
Int.
Conf.
Applied and Theoretical Electricity (ICATE), 2021, pp.
1Ae5, doi:
Hasil pelatihan dan evaluasi menunjukkan bahwa 1109/ICATE49685.
model hybrid CNN-AE mampu menghasilkan akurasi .
Jin.
AuConvolutional neural networks for biometrics applications,Ay SHS Web of Conferences, vol.
144, p.
yang lebih tinggi dibandingkan dengan model CNN 2022, doi: 10.
1051/shsconf/202214403013.
Peningkatan rata-rata akurasi sekitar 5% .
Indira et al.
AuA review on fruit recognition menjadi bukti bahwa AE memberikan kontribusi positif and feature evaluation using CNN,Ay Materials Today:
Proceedings, vol.
80, pp.
3438Ae3443, 2023, doi:
dengan menyoroti fitur-fitur penting yang relevan, 1016/j.
sehingga proses klasifikasi menjadi lebih presisi.
Alfa et al.
AuComparative analysis of performances of convolutional neural networks for image classification tasks,Ay Secara keseluruhan, penelitian ini memberikan in Proc.
Int.
Conf.
Recent Innovations in Computing, 2023, pp.
179Ae190.
kontribusi dalam pengembangan teknologi klasifikasi warna buah melon yang dapat diterapkan dalam .
Gajapaka, and L.
Baru.
AuA simple attention block embedded in standard CNN for image classification,Ay in Proc.
industri pertanian.
Model yang dihasilkan mampu Int.
Conf.
Advances in Artificial Intelligence and Computing meningkatkan efisiensi dan akurasi dalam proses (ICAAIC), 2022, doi: 10.
1109/ICAAIC53929.
seleksi buah melon, mendukung terciptanya sistem .
Zeeshan.
Aized, and F.
Riaz.
AuThe design and evaluation of an orange-fruit detection model in a dynamic environment pertanian digital yang lebih modern dan handal.
using a convolutional neural network,Ay Sustainability, vol.
4329, 2023, doi: 10.
3390/su15054329.
Daftar Rujukan .
Reyad.
Sarhan, and M.
Arafa.
AuA modified Adam algorithm for deep neural network optimization,Ay Neural .
Naroui Rad.
AuMelon selection for breeding based on Computing and Applications, vol.
35, no.
23, pp.
17095Ae17112, traits and diversity,Ay Current Agriculture Research Journal, vol.
2023, doi: 10.
1007/s00521-023-08568-z.
10, no.
2, pp.
39Ae45.
Sep.
2022, doi: 10.
12944/carj.
Wu et al.
AuAtrous residual convolutional neural network .
Pyingkodi et al.
AuFruits quality detection using deep based on U-Net for retinal vessel segmentation,Ay PLoS One, learning models: A meta-analysis,Ay in Proc.
3rd Int.
Conf.
17, no.
8, 2022, doi: 10.
1371/journal.
Electronics and Sustainable Communication Systems (ICESC), .
Geng.
AuAttention-aware CNN for fruit image 2022, pp.
1Ae8, doi: 10.
1109/ICESC54411.
classification,Ay Highlights in Science.
Engineering and .
Calixto et al.
AuDevelopment of a computer vision Technology, vol.
38, pp.
199Ae207, 2023, doi:
approach as a useful tool to assist producers in harvesting 54097/hset.
yellow melon in northeastern Brazil,Ay Computers and .
Maleki et al.
AuGeneralizability of machine learning models:
Electronics in Agriculture, vol.
192, p.
106554, 2022, doi:
Quantitative evaluation of three methodological pitfalls.
Ay 1016/j.
Amin.
AuConfusion matrix in binary classification problems:
Raut.
Jadhav.
Sorte, and A.
Chaudhari.
AuClassification A step-by-step tutorial,Ay Journal of Engineering Research, vol.
of fruits using convolutional neural networks,Ay in Proc.
2nd Int.
6, 2022, doi: 10.
21608/erjeng.
Conf.
Advances in Electrical.
Computing.
Communication and Sustainable Technologies (ICAECT), 2022, pp.
1Ae4, doi:
1109/ICAECT54875.
Siddiqi.
AuComparative performance of various deep learning based models in fruit image classification,Ay in Proc.
11th Int.
Journal of Applied Smart Electrical Network and Systems (JASENS)