Electronic Theses and Dissertation

Buah semangka termasuk dalam kategori buah non-klimaterik, yaitu jenis buah yang tidak melanjutkan proses pertumbuhan fisiologis setelah panen. oleh karena itu, penting untuk menentukan waktu panen yang tepat. pada dasarnya, kualitas buah semangka dapat diukur menggunakan refraktometer untuk menghitung nilai total padatan terlarut (tpt) dalam satuan persen brix. namun, metode tersebut hanya dapat dilakukan setelah buah dipotong atau dibelah. terdapat beberapa cara lain yang dapat digunakan untuk mengidentifikasi kualitas buah tanpa merusaknya, misalnya dengan melihat kondisi visual buah. salah satu contohnya adalah dengan memeriksa bagian field spot pada permukaan buah semangka, seperti yang biasa dilakukan oleh petani dan penjual buah. akan tetapi sifat subjektif dan keterbatasan indera manusia membuat identifikasi tersebut tidak sesuai standar untuk mengukur tingkat kualitas tersebut. penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat kemanisan buah semangka berdasarkan ciri visual field spot menggunakan empat jenis arsitektur convolutional neural network (cnn), yaitu residual neural network (resnet)-50, efficientnet b4, efficientnet b7 dan shufflenet v2 dengan menggunakan dataset primer. output dari model ini akan mengklasifikasikan semangka ke dalam dua kelas, yaitu buah manis dan buah tidak manis. berdasarkan hasil penelitian yang telah dilakukan, efficientnet b7 memperoleh hasil yang paling optimal dengan tingkat akurasi mencapai 100%. diikuti oleh efficientnet b4 dengan akurasi 97%, resnet-50 dengan akurasi 97%, dan shufflenet dengan akurasi 91%

Watermelon belongs to the category of non-climacteric fruits, which are fruits that do not continue their physiological growth processes after being harvested. Therefore, it is important to determine the appropriate harvesting time. Basically, the quality of watermelon can be measured using a refractometer to calculate the value of Total Soluble Solids (TSS) in Brix percentage units. However, this method can only be conducted after the fruit is cut or sliced. There are several other methods that can be used to identify fruit quality without damaging it, such as assessing its visual condition. One example is by examining the Field Spot area on the surface of the watermelon, as commonly done by farmers and fruit sellers. However, the subjective nature and limitations of human senses make this identification inadequate as a standard to measure the quality level. This research aims to develop a classification model for assessing the sweetness level of watermelon based on visual characteristics of the Field Spot. It utilizes four types of Convolutional Neural Network (CNN) architectures: Residual Neural Network (ResNet)-50, EfficientNet B4, EfficientNet B7, and ShuffleNet V2, using a Primary Dataset. The model's output will classify watermelons into two classes: sweet and not sweet. Based on the conducted research, EfficientNet B7 achieved the most optimal results with an accuracy level reaching 100%. It was followed by EfficientNet B4 with 97% accuracy, ResNet-50 with 97% accuracy, and ShuffleNet with 91% accuracy