Electronic Theses and Dissertation

Nanas (Ananas comosus) adalah sejenis tanaman tropis yang berasal dari Brazil, Bolivia, Paraguay dan termasuk dalam Family Bromeliace. Biasanya petani dan penjual buah memprediksi kematangan buah nanas dengan melihat warna bagian dasar buah kuning, mata buah lebih mendatar, ukuran buah, dan timbul bau nanas yang harum atau dengan cara mengetuk buah nanas. Namun, cara tersebut bersifat subjektif dalam mengukur kualitas buah nanas. Selain dengan melihat kondisi fisik, tingkat kemanisan buah nanas juga dapat diukur dengan perhitungan nilai Total Padatan Terlarut (TPT) dengan satuan Brix, standar buah yang manis memiliki nilai lebih besar dari 12%. Akan tetapi, perhitungan Brix bersifat destruktif yang mengakibatkan kerusakan pada buah. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan tingkat kemanisan buah nanas berdasarkan nilai Brix yang telah diukur dengan menerapkan Deep Learning. Dataset yang digunakan adalah citra visual buah nanas dari empat sisi. Dalam proses mengklafisikasi citra menerapkan beberapa arsitektur Convolutional Neural Network (CNN) seperti Resudial Network (ResNet)-50, EfficientNet B4, dan ShuffleNet V2. Model akan mengklasifikasi buah nanas menjadi dua kelas yaitu manis dan tidak manis. Dalam penelitian ini mendapatkan hasil bahwa arsitkektur yang memiliki hasil terbaik adalah ResNet-50 dengan akurasi 80%, untuk EfficientNet mendapatkan 87% dan ShuffleNet 88%.

Kata Kunci: Tingkat Kemanisan Nanas, Nilai Derajat Brix, Convolutional Neural Network (CNN),EfficientNet B4 , Residual Network (ResNet)-50 dan ShuffleNet V2.

Pineapple (Ananas comosus) is a tropica plant native to Brazil, Bolivia, Paraguay and belongs to the Bromeliace Family. Usually, farmers and fruit sellers predict the ripeness of pineapple fruit by looking at the color of the yellow fruit base, the flatter fruit eyes, the size of the fruit, and the fragrant smell of pineapple or by tapping the pineapple fruit. However, these methods are subjective in measuring the quality of pineapple fruit. In addition to looking at physical conditions, the level of sweetness of pineapple fruit can also be measured by calculating the value of Total Dissolved Solids (TPT) with units of Brix, the standard sweet fruit has a value greater than 12%. However, the calculation of Brix is destructive which results in damage to the fruit. Therefore, this study aims to classify the sweetness level of pineapple fruit based on the measured Brix value by applying Deep Learning. The dataset used is a visual image of pineapple fruit from four sides. In the process of classifying the image, several Convolutional Neural Network (CNN) architectures such as Resudial Network (ResNet)-50, EfficientNet B4, and ShuffleNet V2 are applied. The model will classify pineapple fruit into two classes, namely sweet and not sweet. In this study, the results show that the architecture that has the best results is ResNet-50 with 80% accuracy, for EfficientNet getting 87% and ShuffleNet 88%. Keywords: Pineapple Sweetness Level, Brix Degree Value, Convolutional Neural Network (CNN), EfficientNet B4, Residual Network (ResNet)-50 and ShuffleNet V2.