EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

ANALISIS KOMPARASI PERFORMA ARSITEKTUR VGG16 DAN CNN KUSTOM PADA KLASIFIKASI CITRA BUAH MELON BERDASARKAN GAMBAR KULIT

Dewa Komang Reiki Perdana Wisnu, I Ketut Purnamawan, Luh Joni Erawati Dewi

Jurnal Informatika Teknologi dan Sains (Jinteks) · 06.03.2026 · 8 (1) · 438-448

DOI: 10.51401/jinteks.v8i1.7268 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Jurnal Informatika Teknologi dan Sains (Jinteks), online erschienen am 06.03.2026. Verfasst von Dewa Komang Reiki Perdana Wisnu und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Varietas melon, khususnya melon hijau dan melon oranye, seringkali sulit dibedakan secara visual karena kemiripan tekstur kulitnya, sehingga menghambat efisiensi proses penyortiran manual. Penelitian ini bertujuan mengembangkan sistem klasifikasi citra otomatis berbasis Deep Learning untuk membedakan varietas melon berdasarkan citra kulit. Penelitian ini mengkomparasi performa dua arsitektur jaringan saraf tiruan, yaitu VGG16 dan CNN kustom. Dataset terdiri dari 406 citra yang diproses dengan berbagai metode cropping dan augmentasi, dimana citra latih diperbesar 1,5 kali dan citra uji 2,5 kali. Pelatihan model menggunakan pendekatan 5-Fold Stratified Cross-Validation. Hasil validasi internal menunjukkan performa sangat tinggi, dimana CNN kustom mencapai akurasi 100% dan VGG16 sebesar 98,77%. Namun, pada pengujian data baru, terjadi kesenjangan generalisasi yang signifikan, dengan akurasi VGG16 turun menjadi 77,50% dan CNN kustom menjadi 76,25%. Analisis kesalahan mengindikasikan VGG16 sensitif terhadap variasi ukuran objek, sedangkan CNN kustom sensitif terhadap intensitas pencahayaan. Meskipun akurasi pengujian sedikit lebih rendah, CNN kustom ditetapkan sebagai model terbaik untuk implementasi perangkat seluler karena unggul signifikan dalam efisiensi komputasi; model ini memproses data 12 kali lebih cepat dengan ukuran file hanya 4,6 MB. Kesimpulannya, CNN kustom adalah solusi optimal untuk penyortiran real-time dengan syarat pencahayaan dan jarak pengambilan citra dijaga konstan

Zitieren

APA

Wisnu, D. K. R. P., Purnamawan, I. K., & Dewi, L. J. E. (2026). ANALISIS KOMPARASI PERFORMA ARSITEKTUR VGG16 DAN CNN KUSTOM PADA KLASIFIKASI CITRA BUAH MELON BERDASARKAN GAMBAR KULIT. Jurnal Informatika Teknologi dan Sains (Jinteks), 8(1), 438-448. https://doi.org/10.51401/jinteks.v8i1.7268

Vancouver

Wisnu DKRP, Purnamawan IK, Dewi LJE. ANALISIS KOMPARASI PERFORMA ARSITEKTUR VGG16 DAN CNN KUSTOM PADA KLASIFIKASI CITRA BUAH MELON BERDASARKAN GAMBAR KULIT. Jurnal Informatika Teknologi dan Sains (Jinteks). 2026;8(1):438-448. doi:10.51401/jinteks.v8i1.7268

BibTeX
@article{Wisnu2026,
  author = {Wisnu, Dewa Komang Reiki Perdana and Purnamawan, I Ketut and Dewi, Luh Joni Erawati},
  title = {ANALISIS KOMPARASI PERFORMA ARSITEKTUR VGG16 DAN CNN KUSTOM PADA KLASIFIKASI CITRA BUAH MELON BERDASARKAN GAMBAR KULIT},
  journal = {Jurnal Informatika Teknologi dan Sains (Jinteks)},
  year = {2026},
  volume = {8},
  number = {1},
  pages = {438--448},
  doi = {10.51401/jinteks.v8i1.7268}
}
Kostenlos starten →