KLASIFIKASI KEMATANGAN BUAH SEMANGKA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK = CLASSIFICATION OF WATERMELON RIPENESS USING CONVOLUTIONAL NEURAL NETWORKS

Latar Belakang. Semangka (Citrullus vulgaris Schrad) adalah salah satu buah yang banyak dikonsumsi di Indonesia dengan kontribusi produksi nasional sebesar 3,30%. Tingginya konsumsi semangka membuat identifikasi kematangan buah ini menjadi penting, baik bagi produsen maupun konsumen. Namun, proses identifikasi tingkat kematangan semangka secara manual sering kali tidak konsisten karena bergantung pada penilaian subjektif. Dengan kemajuan teknologi penerapan metode berbasis Convolutional Neural Network (CNN) dalam klasifikasi citra dapat menjadi solusi efektif untuk meningkatkan akurasi dan efisiensi identifikasi kematangan semangka. Tujuan. Penelitian ini bertujuan untuk mengembangkan model CNN dengan arsitektur Xception untuk mengklasifikasikan kematangan semangka berdasarkan citra visual. Selain itu, penelitian ini juga bertujuan mengevaluasi akurasi model yang diimplementasikan dalam aplikasi Android. Metode. Sistem dibangun dengan menggunakan metode Deep Learning Convolutional Neural Network (CNN) dengan Library TensorFlow lalu model tersebut di convert ke TensorFlow Lite untuk penerapan pada android. Arsitektur model yang digunakan adalah Xception. Total data yang digunakan sebanyak 1350 citra yang terbagi kedalam 3 label kelas yaitu matang, setengah matang dan mentah. Hasil. Hasil training model Xception didapatkan kombinasi hyperparameter yang baik yaitu epoch 20, Batch size 64, Dropout rate 0,1 dan learning rate 0,0001. dari proses pelatihan dengan jumlah data sebanyak 1350 citra dengan pembagian 80% data latih, 10% tes dan 10% validasi memberikan akurasi training sebanyak 96,30% serta model yang sudah dilatih tersebut untuk memprediksi seluruh dataset pada semua kelasnya memiliki akurasi sebesar 94,81%. Hasil testing aplikasi dengan menggunakan 30 citra sampel data baru diperoleh akurasi sebesar 93,33%. Kesimpulan. Model CNN terbaik berhasil diidentifi-kasi dengan menggunakan arsitektur Xception, learning rate sebesar 0.0001, batch size 64, optimizer Adam, dropout rate 0,1 dan epoch 20. Akurasi dari model ini mencapai 96,30% pada data validasi dan 94.81% pada akurasi semua kelas. Dilakukan testing aplikasi dengan menggunakan 30 citra sampel data baru diperoleh akurasi sebesar 93,33%.