Kesegaran buah merupakan salah satu faktor utama yang menentukan kualitas produk pertanian, terutama pada buah jeruk. Konsumen umumnya menilai buah berdasarkan tampilan visual, seperti warna kulit, tekstur permukaan, dan ada tidaknya bercak atau kerusakan. Namun, penilaian secara manual sering kali tidak konsisten karena bergantung pada pengalaman, ketelitian, dan kondisi pengamatan seseorang. Oleh karena itu, teknologi pengolahan citra digital dan kecerdasan buatan mulai banyak digunakan untuk membantu proses identifikasi kualitas buah secara lebih objektif dan efisien.

Dalam beberapa tahun terakhir, perkembangan machine learning dan deep learning memberikan peluang besar bagi sektor pertanian. Salah satu pendekatan yang banyak digunakan adalah Convolutional Neural Network atau CNN. Metode ini mampu mengenali pola visual dari gambar, termasuk bentuk, warna, tekstur, dan perubahan fisik pada objek. Pada klasifikasi kesegaran buah jeruk, CNN dapat membantu membedakan buah yang masih segar dan buah yang sudah tidak layak berdasarkan citra digital.

Penelitian mengenai klasifikasi buah jeruk sebelumnya telah dilakukan dengan berbagai metode. Ulandari dkk. menggunakan kombinasi fitur GLCM dan HSV untuk membedakan jeruk segar dan busuk, dengan hasil akurasi mencapai 86,88%. Penelitian lain oleh Firmansyah dan Hermawan menerapkan algoritma Naive Bayes untuk klasifikasi kesegaran jeruk, tetapi akurasi pengujiannya masih relatif rendah, yaitu sekitar 62,6%. Sementara itu, Napitu dkk. memanfaatkan fitur warna RGB dan HSV dengan metode K-Nearest Neighbor dan memperoleh akurasi terbaik sebesar 88,95%. Hasil-hasil tersebut menunjukkan bahwa pendekatan berbasis ekstraksi fitur masih dapat digunakan, tetapi performanya sangat bergantung pada kualitas fitur yang dipilih.

Pendekatan yang lebih modern adalah menggunakan transfer learning. Teknik ini memanfaatkan model deep learning yang sebelumnya telah dilatih pada dataset besar, kemudian disesuaikan untuk tugas baru. Dengan cara ini, proses pelatihan dapat menjadi lebih efektif karena model sudah memiliki kemampuan awal dalam mengenali pola visual. Dua arsitektur yang sering digunakan dalam transfer learning adalah ResNet50 dan Inception-V3.

Dalam penelitian ini, dataset yang digunakan berjumlah 3.061 citra buah jeruk. Dataset tersebut terdiri dari dua kelas, yaitu 1.466 gambar jeruk segar dan 1.595 gambar jeruk tidak segar atau stale. Data kemudian dibagi menjadi tiga bagian, yaitu 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Sebelum masuk ke tahap pelatihan, gambar diproses terlebih dahulu melalui beberapa tahapan, seperti pengubahan ukuran citra, pembagian dataset, dan augmentasi data. Augmentasi dilakukan untuk memperkaya variasi gambar melalui rotasi, pembesaran, serta pembalikan gambar secara vertikal dan horizontal.

Model ResNet50 dan Inception-V3 dilatih menggunakan konfigurasi yang sama, yaitu batch size 32, 100 epoch, optimizer Adam, dan learning rate 1e-4. Penggunaan parameter yang sama bertujuan agar perbandingan performa kedua model dapat dilakukan secara adil. Evaluasi dilakukan menggunakan confusion matrix serta metrik akurasi, presisi, recall, dan F1-score.

Hasil penelitian menunjukkan bahwa kedua model memiliki kemampuan klasifikasi yang sangat tinggi. ResNet50 dan Inception-V3 sama-sama memperoleh akurasi sebesar 99,67%. Dari 307 data uji, hanya satu citra yang salah diklasifikasikan, yaitu gambar jeruk tidak segar yang dikenali sebagai jeruk segar. Selain itu, kedua model juga menghasilkan presisi 99,64%, recall 99,70%, dan F1-score 99,67%. Angka ini menunjukkan bahwa kedua arsitektur mampu mengenali kesegaran buah jeruk dengan sangat baik.

Meskipun akurasinya sama, terdapat perbedaan pada nilai loss, waktu komputasi, dan penggunaan memori. Inception-V3 menghasilkan nilai loss sebesar 0,0148, sedangkan ResNet50 memperoleh nilai loss lebih rendah, yaitu 0,0074. Dari sisi kecepatan, ResNet50 juga lebih unggul karena hanya membutuhkan sekitar 0,92 detik per iterasi, sedangkan Inception-V3 memerlukan sekitar 26,29 detik per iterasi. Namun, dari sisi penggunaan memori, Inception-V3 lebih ringan dibandingkan ResNet50.

Temuan ini memperlihatkan bahwa pemilihan model harus disesuaikan dengan kebutuhan sistem. Jika prioritas utama adalah kecepatan proses dan nilai loss yang lebih rendah, maka ResNet50 dapat menjadi pilihan yang lebih tepat. Sebaliknya, jika sistem dijalankan pada perangkat dengan keterbatasan memori, Inception-V3 tetap layak dipertimbangkan. Secara umum, kedua model terbukti efektif untuk mendukung klasifikasi otomatis kesegaran buah jeruk berbasis citra digital.

Penerapan teknologi seperti ini berpotensi membantu petani, distributor, maupun pelaku industri buah dalam meningkatkan efisiensi proses seleksi produk. Dengan sistem klasifikasi otomatis, penilaian kualitas buah dapat dilakukan lebih cepat, konsisten, dan objektif. Ke depannya, penelitian serupa dapat dikembangkan dengan menambahkan jenis buah lain, memperbesar dataset, atau menggabungkan beberapa arsitektur deep learning agar hasil klasifikasi menjadi semakin akurat dan stabil.

Referensi

Trihardianingsih, L., & Permatasari, H. (2025). Model Transfer Learning untuk Klasifikasi Kesegaran Buah Jeruk Menggunakan Citra Digital. Prosiding Seminar Nasional Teknologi dan Sains Tahun 2025, 4, 231–238. Program Studi Teknik Informatika, Universitas Nusantara PGRI Kediri. https://www.scopus.com/pages/publications/85153357625?origin=resultslist

(MHN)