KLASIFIKASI TINGKAT KEMATANGAN BUAH TOMAT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK PADA PENGOLAHAN CITRA DIGITAL

RIVALZO, AGUNG (2023) KLASIFIKASI TINGKAT KEMATANGAN BUAH TOMAT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK PADA PENGOLAHAN CITRA DIGITAL. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text Abstrak.pdf Download (162kB)
	Text Cover.pdf Download (362kB)
	Text Daftar Isi.pdf Download (128kB)
	Text Daftar Pustaka.pdf Download (154kB)
	Text Halaman Pengesahan Pembimbing.pdf Download (170kB)
	Text Laporan_TA_Agung Rivalzo_123190017.pdf Restricted to Repository staff only Download (3MB)

Abstract

Kematangan tomat sayur membutuhkan waktu yang singkat sehingga keakuratan dalam
klasifikasi dibutuhkan ketepatan. Tingkat kematangan buah tomat sayur dapat dilihat dari
beberapa aspek, berupa warna, bentuk, dan aroma buah tersebut. Pada aspek warna,
kematangan buah tomat dapat dilihat dari kesesuaian warna buah yang telah matang dan buah
yang belum matang serta buah yang busuk. Tujuan penelitian ini ialah mengetahui algoritma
optimizer yang paling optimal dan mengukur tingkat akurasi optimizer untuk model CNN
(Convolutional Neural Network) yang diperoleh dari klasifikasi tingkat kematangan buah
tomat. Metode penelitian menggunakan metode pengumpulan data berupa studi literatur dan
wawancara, lalu preprocessing data, pengujian optimizer, Pembangunan model CNN,
pengujian model CNN, rencana pengujian optimizer. Sedangkan metode yang digunakan
dalam pengembangan system berupa analisis kebuthhan system, desain system, rancnagan
antarmuka system, pengujian system, implementasi dan pemeliharaan. Penelitian ini
melakukan pengujian sebanyak 3 kali untuk menentukan optimizer terbaik dalam
mengklasifikasikan citra tingkat kematangan buah tomat. Optimizer Adam menunjukkan nilai
accuracy sebesar 96,67%, RMSprop mendapat nilai accuracy sebesar 88,33%, dan SGD
mendapat accuracy sebesar 83,33%. Penelitian ini menyimpulkan bahwa optimizer terbaik
yang paling optimal dapat digunakan ialah optimizer Adam dibandingkan dengan RMSprop
dan SGD dilihat dari hasil analisa kurva yang didapatkan dari proses training berupa accuracy,
loss validation, validation accuracy, dan validation loss.
Kata Kunci: Tomat, Kematangan, CNN, Klasifikasi, Optimizer.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Tomat, Kematangan, CNN, Klasifikasi, Optimizer.
Subjects:	Q Science > Q Science (General)
Depositing User:	Eny Suparny
Date Deposited:	21 Nov 2023 07:09
Last Modified:	21 Nov 2023 07:09
URI:	http://eprints.upnyk.ac.id/id/eprint/38177

Actions (login required)

View Item