Electronic Theses and Dissertation

Buah melon adalah jenis buah non-klimaterik yang tidak melanjutkan proses pematangan setelah dipanen. Tingkat kemanisan buah melon dapat diukur menggunakan parameter Total Padatan Terlarut (TPT) dalam persen Brix, standar buah yang manis memiliki nilai lebih besar dari 10%. Namun, metode pengukuran kualitas buah melon secara visual seperti melihat warna dan tekstur kulit buah dianggap subjektif dan tidak konsisten. Oleh karena itu, penelitian ini bertujuan untuk membangun model klasifikasi tingkat kemanisan buah melon menggunakan analisis korelasi antara parameter Brix dan ciri fisik buah melon dengan menggunakan Deep Learning. Dataset yang digunakan terdiri dari citra visual buah melon dari enam sisi. Dalam pemodelan ini, digunakan arsitektur Convolutional Neural Network (CNN) seperti Residual Network (ResNet)-50, EfficientNet B4, dan ShuffleNet V2. Model akan mengklasifikasikan buah melon ke dalam dua kelas, yaitu manis dan tidak manis. Setelah dilakukan penelitian ini, didapati bahwa model yang dibangun mampu mengklasifikasikan tingkat kemanisan buah melon dengan hasil yang didapat dari penelitian ini adalah ResNet 50 memiliki performa akurasi terbaik diantara dua arsitektur lainya dengan nilai akurasi sebesar 87,66%, diikuti oleh ShuffleNet V2 sebesar 87,33%, dan EfficientNet B4 sebesar 84,67%.

Melon is a type of non-climacteric fruit that does not continue the ripening process after being harvested. The sweetness level of melon can be measured using the parameter of Total Soluble Solids in Brix percentage, and sweet melons typically have values greater than 10%. However, visually assessing the quality of melons based on factors like color and skin texture is considered subjective and inconsistent. Therefore, this research aims to construct a classification model for determining the sweetness level of melons using the correlation analysis between the Brix parameter and physical characteristics of melons, employing Deep Learning techniques. The dataset used consists of visual images of melons captured from six different angles. In this modeling approach, Convolutional Neural Network (CNN) architectures such as Residual Network (ResNet)-50, EfficientNet B4, and ShuffleNet V2 are utilized. The models are designed to classify melons into two classes: sweet and not sweet. Following the completion of this study, it was found that the constructed models were able to classify the sweetness level of melons. The results obtained from this research indicate that among the three architectures, ResNet-50 exhibited the highest accuracy performance, achieving an accuracy rate of 87.66%. ShuffleNet V2 followed closely with an accuracy of 87.33%, while EfficientNet B4 achieved an accuracy of 84.67%.