KLASIFIKASI KUALITAS DAGING SAPI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Putra, Deva Adzany Karisma (2023) KLASIFIKASI KUALITAS DAGING SAPI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Other thesis, UPN "Veteran" Yogyajarta.

	Text ABSTRAK.pdf Download (36kB)
	Text COVER.pdf Download (127kB)
	Text DAFTAR ISI.pdf Download (130kB)
	Text DAFTAR PUSTAKA.pdf Download (163kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (212kB)
	Text SKRIPSI_FULL_DEVA ADZANY KARISMA PUTRA_123180064.pdf Restricted to Repository staff only Download (2MB)
	Text PENGESAHAN PENGUJI.pdf Download (239kB)

Abstract

ABSTRAK
Daging sapi merukan salah satu makan yang bergizi yang dibutuhkan oleh manusia
sebagai pemenuh kebutuhan protein hewani bagi manusia. Kesegaran daging sapi
merupakan faktor penting sebelum daging sapi masak terlebih dahulu. Bahaya dalam
mengonsumsi daging sapi tidak segar adalah gangguan pencernaan hingga keracunan
makanan. Dengan perkembangan teknologi saat ini, pemanfaatan image processing
dalam melakukan klasifikasi kesegaran daging selain dengan cara manual karena
dapat mengurangi kesalahan dalam melakukan klasifikasi. Untuk melakukan
klasifikasi dalam penelitian ini menggunakan metode Convolutional Neural Network
(CNN).
Pada penelitian ini menggunakan model dengan metode Convolutional Neural
Network (CNN) menggunakan arsitektur EfficinetNet-V2 S dan arsitektur EfficinetNet-
V2 S dengan menggunakan tambahan dropout dan dense ReLu sebesar 64, kemudian
diakhiri dengan dense activattion sigmoid, pemilihan sigmoid untuk mencari
probabilitas tertinggi dari hasil untuk menentukan kelas. Berdasarkan model yang
akan diujikan dengan kombinasi epoch yang berbeda, optimazer yang berbeda berupa
adam dan RMSprop. Pengujian menggunakan input shape sebesar 224 x 224,
optimazer adam dan RMSprop dan jumlah epoch 15 dan 20, sehingga menghasilkan 8
kombinasi pengujian. Jumlah data citra yang digunakan dalam melakukan traning,
validation dan testing adalah 3268 yang dibagi menjadi 2 kelas berupa daging segar
dan daging busuk, sehingga menghasilkan jumlah data setiap kelas sebanyak 1634,
pembagian data sebagai berikut traning sebanyak 80%, validation sebanyak 10% dan
testing sebanyak 10%.
Tahap evaluasi model CNN dilakukan untuk mendapatkan nilai testing accuracy
dan confusion matrix dari model yang sudah dilatih. Dari hasil pengujian didapatkan
kombinasi model CNN paling optimal yaitu EfficientNet-V2 S dengan dropout dan
dense ReLu menggunakn optimzer adam dengan dengan input shape sebesar 224×224
dan epoch sebanyak 20 mendapatkan akurasi sebesar 97.76%. Penggunaan model
Convolutional Neural Network (CNN) dengan arsitektur EfficientNet-V2 S dapat
dengan baik mengklasifikasikan kesegaran daging.
Kata kunci: Kesegaran Daging, Convolutional Neural Network, Klasifikasi
Gambar.
ABSTRACT
Beef is one of the nutritious foods needed by humans to fulfil their animal protein
needs. The freshness of beef is an important factor before cooking the beef. The danger
in consuming beef that is not fresh is digestive disorders and food poisoning. With the
development of current technology, the use of image processing in classifying the
freshness of meat other than by hand can reduce errors in classification. To perform
the classification in this study using the Convolutional Neural Network (CNN)
method.
In this study using a model with the Convolutional Neural Network (CNN) method
using EfficinetNet-V2 S architecture and EfficinetNet-V2 S architecture using
additional dropout and dense ReLu of 64, then ending with dense activattion sigmoid,
sigmoid selection to find the highest probability of results to determine the class. Based
on the model that will be tested with a combination of different epochs, different
optimazers in the form of adam and RMSprop. The test uses an input shape of 224 x
224, optimazer adam and RMSprop and the number of epochs 15 and 20, resulting in
8 test combinations. The amount of image data used in traning, validation and testing
is 3268 which is divided into 2 classes in the form of fresh meat and rotten meat,
resulting in a total of 1634 data for each class, dividing the data as follows 80%
training, 10% validation and 10% testing.
The CNN model evaluation stage is carried out to obtain the testing accuracy and
confusion matrix values of the model that has been trained. From the test results, the
most optimal CNN model combination is EfficientNet-V2 S with dropout and dense
ReLu using Adam's optimiser with an input shape of 224×224 and an epoch of 20
getting an accuracy of 97.76%. The use of Convolutional Neural Network (CNN)
model with EfficientNet-V2 S architecture can well classify the freshness of meat.
Keywords: Meat Freshness, Convolutional Neural Network, Image
Classification.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Meat Freshness, Convolutional Neural Network, Image Classification.
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	28 Aug 2023 02:55
Last Modified:	28 Aug 2023 02:55
URI:	http://eprints.upnyk.ac.id/id/eprint/37186

Actions (login required)

View Item