Implementasi MobileNetV2 untuk Klasifikasi Kematangan Buah Kelapa Sawit pada Aplikasi Mobile
DOI:
https://doi.org/10.38035/jemsi.v7i2.7131Keywords:
Transfer Learning, Kelapa Sawit, Klasifikasi Citra, Smart Agriculture, MobileNetV2Abstract
Penentuan tingkat kematangan Tandan Buah Segar (TBS) kelapa sawit secara konvensional masih bergantung pada pengamatan visual manual yang bersifat subjektif dan rentan terhadap inkonsistensi, sehingga berpotensi menurunkan rendemen minyak. Penelitian ini bertujuan mengembangkan sistem klasifikasi kematangan buah sawit yang akurat, ringan, dan mampu beroperasi sepenuhnya secara offline pada perangkat mobile menggunakan implementasi MobileNetV2. Metode yang digunakan adalah transfer learning yang dioptimasi melalui teknik Post-Training Quantization ke dalam format TensorFlow Lite. Model dilatih menggunakan dataset citra lapangan dari Kalimantan Timur yang diperluas melalui augmentasi data dan diintegrasikan ke dalam aplikasi berbasis Flutter. Hasil pengujian menunjukkan model mampu mencapai akurasi 89,0%. Proses kuantisasi berhasil mereduksi ukuran model secara signifikan sebesar 84,6% (dari 13 MB menjadi 2 MB) dan menghasilkan latensi inferensi rata-rata 120 ms pada perangkat Android kelas menengah. Kesimpulan dari penelitian ini membuktikan bahwa integrasi model CNN ringan yang dikuantisasi merupakan solusi praktis dan efisien untuk mendukung penerapan pertanian cerdas di lingkungan dengan sumber daya terbatas.
References
A’yuni, Q., & Hendrik, B. (2024). Literature Review : Analisis Komparatif Algoritma CNN , KNN , dan SVM untuk Klasifikasi Penyakit Kelapa Sawit. Journal of Education Research, 5(4), 6589–6596.
Bayu, D., Priyambada, & Supriyanto, G. (2023). Analisis Rendemen Minyak Kelapa Sawit (CPO) berdasarkan Tingkat Kematangan Buah di PT . Bumitama Gunajaya Agro. Jurnal Agroforetech, 1(03), 2051–2060.
Chiu, Y.-C., Tsai, C.-Y., Ruan, D., Shen, G.-Y., & Lee, T.-T. (2020). Mobilenet-SSDv2: An Improved Object Detection Model for Embedded Systems. In 2020 International Conference on System Science and Engineering (ICSSE).
Chong, W. H., Ramli, N. A., Wan Mustafa, W. M. R., & Awalin, L. J. (2025). Computer Vision and Artificial Intelligence (AI)-Based Ripeness Classification of Oil Palm Fruits in Oil Palm Plantations. ASEAN Artificial Intelligence Journal, 2(1), 44–58. https://doi.org/10.37934/aaij.2.1.4458
Gulzar, Y. (2023a). Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique. Sustainability (Switzerland), 15(3). https://doi.org/10.3390/su15031906
Gulzar, Y. (2023b). Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique. Sustainability (Switzerland), 15(3). https://doi.org/10.3390/su15031906
Hasibuan, H. A. (2020). Determination Of Yield, Quality And Chemical Composition of Palm Oil And Palm Kernel Oil of Fresh Fruit Bunches with Variation Maturity As A Basic For Determining Harvest Maturity Standard. Jurnal Penelitian Kelapa Sawit, 28(3), 123–132.
Irvanda, A., Sulthan, R., Adila, J., & Ananda, R. (2024). Pendeteksian Kematangan Mangga Berbasis Fitur Analisis Warna Dengan Metode CNN. Seminar Nasional Teknologi Informasi Dan Teknik Informatika (SENASTIKA), 1(1), 1–12.
Kemenkeu. (2024). Industri Kelapa Sawit Berperan Strategis bagi Perekonomian Indonesia. https://www.kemenkeu.go.id/informasi-publik/publikasi/berita-utama/Peran-Strategis-Industri-Kelapa-Sawit
Khan, N., Kamaruddin, M. A., Sheikh, U. U., Yusup, Y., & Bakht, M. P. (2021). Oil palm and machine learning: Reviewing one decade of ideas, innovations, applications, and gaps. In Agriculture (Switzerland) (Vol. 11, Issue 9). MDPI. https://doi.org/10.3390/agriculture11090832
Malyala, R. (2024). Development of a Convolutional Neural Network Model for Automated Ripeness Classification of Palm Oil Fresh Fruit Bunches. International Journal of Innovative Science and Research Technology (IJISRT), 9(11), 1040–1046. https://doi.org/10.38124/ijisrt/ijisrt24nov762
Mansour, M. Y. M. A., Dambul, K. D., & Choo, K. Y. (2022). Object Detection Algorithms for Ripeness Classification of Oil Palm Fresh Fruit Bunch. International Journal of Technology, 13(6), 1326–1335. https://doi.org/10.14716/ijtech.v13i6.5932
Palupiningsih, P., Sujiwanto, A. R., & Prawirodirjo, R. R. B. P. (2023). Analisis Perbandingan Performa Model Klasifikasi Kesehatan Daun Tomat menggunakan arsitektur VGG, MobileNet, dan Inception V3. Jurnal Ilmu Komputer Dan Agri-Informatika, 10(1), 98–110. https://doi.org/10.29244/jika.10.1.98-110
Phimpisan, P., & Chungchoo, C. (2023). Real-Time oil palm ripeness classification of fresh fruit bunches using fluorescence technology. Agriculture and Natural Resources, 57(5), 859–868. https://doi.org/10.34044/j.anres.2023.57.5.12
Rifqi, M., & Suharjito. (2021). Deteksi Kematangan Tandan Buah Segar (Tbs) Kelapa Sawit Berdasarkan Komposisi Warna Menggunakan Deep Learning. Jurnal Teknik Informatika Atmaluhur, 6(1), 40.
Rizky, M., & Siregar, P. (2024). Deteksi Kematangan Buah Sawit Dengan Menggunakan Algoritma Convolutional Neural Network. Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi, 4(2), 175–183.
Rosbi, M., Omar, Z., & Hanafi, M. (2025). a Picture of Ripeness: Investigating Image-Based Techniques for Oil Palm Fruit Grading. Journal of Oil Palm Research, 37(1), 1–15. https://doi.org/10.21894/jopr.2024.0015
Ruswanto, A., Ramelan, A. H., Praseptiangga, D., & Partha, I. B. B. (2020). Effects of ripening level and processing delay on the characteristics of oil palm fruit bunches. International Journal on Advanced Science, Engineering and Information Technology, 10(1), 389–394. https://doi.org/10.18517/ijaseit.10.1.10987
Soetrisno, Y. A. A., Handoyo, E., Sumardi, & Sinuraya, E. W. (2024). Oil Palm Level of Ripeness Classification Using Efficientdet-Lite Cnn Architecture. Journal of Oil Palm Research, 36(4), 618–629. https://doi.org/10.21894/jopr.2023.0059
Srivastava, S., Divekar, A. V., Anilkumar, C., Naik, I., Kulkarni, V., & Pattabiraman, V. (2021). Comparative analysis of deep learning image detection algorithms. Journal of Big Data, 8(1). https://doi.org/10.1186/s40537-021-00434-w
Triyogi, R., Magdalena, R., & Hidayat, B. (2023). Mendeteksi Kematangan Buah Kelapa Sawit Menggunakan Convolution Neural Network Deep Learning. Jurnal Nasional SAINS Dan TEKNIK, 1(1), 22–27. http://doi.org/10.25124/logic.v1i1.6732
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Anisya Lyda Maura Isnaini, Arif Pramudwiatmoko
This work is licensed under a Creative Commons Attribution 4.0 International License.
Hak cipta :
Penulis yang mempublikasikan manuskripnya di jurnal ini menyetujui ketentuan berikut:
- Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mengakui bahwa Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI) berhak menjadi yang pertama menerbitkan dengan lisensi Creative Commons Attribution 4.0 International (Attribution 4.0 International CC BY 4.0) .
- Penulis dapat mengirimkan artikel secara terpisah, mengatur distribusi non-eksklusif manuskrip yang telah diterbitkan dalam jurnal ini ke versi lain (misalnya, dikirim ke repositori institusi penulis, publikasi ke dalam buku, dll.), dengan mengakui bahwa manuskrip telah diterbitkan pertama kali di Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI).
