KLASIFIKASI KUALITAS BUAH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VISUAL GEOMETRY GROUP 16 (VGG16) DAN DENGAN BANTUAN ARSITEKTUR YOLO V4 SEBAGAI DETEKSI OBJEK

PUTRA, FATKUR RIZAL ROCHMADIAN (2024) KLASIFIKASI KUALITAS BUAH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VISUAL GEOMETRY GROUP 16 (VGG16) DAN DENGAN BANTUAN ARSITEKTUR YOLO V4 SEBAGAI DETEKSI OBJEK. Other thesis, UPN Veteran Yogyakarta.

	Text 1. Fulltext Skripsi_123190130_Fatkur Rizal Rochmadian Putra.pdf Restricted to Repository staff only Download (22MB)
	Text 2. Cover Skripsi_123190130_Fatkur Rizal Rochmadian Putra.pdf Download (417kB)
	Text 3. Lembar Pengesahan Skripsi_123190130_Fatkur Rizal Rochmadian Putra.pdf Download (4MB)
	Text 4. Abstrak Skripsi_123190130_Fatkur Rizal Rochmadian Putra.pdf Download (205kB)
	Text 5. Daftar Isi Skripsi_123190130_Fatkur Rizal Rochmadian Putra.pdf Download (204kB)
	Text 6. Daftar Pustaka Skripsi_123190130_Fatkur Rizal Rochmadian Putra.pdf Download (131kB)

Abstract

Buah-buahan merupakan salah satu makanan yang telah terbukti memiliki
banyak manfaat untuk tubuh manusia. Oleh karena itu proses klasifikasi untuk
menentukan kualitas buah merupakan salah satu proses penting untuk mendapatkan
kualitas yang baik dari buah-buahan. Akan tetapi dalam melakukan identifikasi
kualitas buah untuk mementukan tingkat kualitas buah secara manual yang
dilakukan oleh petani buah, dapat memungkinkan untuk memunculkan peluang
terjadinya human error ketika masa panen. Sehingga dalam prosesnya dibutuhkan
bantuan sebuah sistem yang dapat membantu dalam pengklasifikasian buah. Salah
satu metode yang sering dimanfaatkan adalah penggunaan deep learning yaitu
CNN (convolutional neural network) sebagai metode klasifikasi serta
menggunakan arsitektur VGG16 dengan transfer learning. Selain itu dengan
menggunakan YOLO V4, dapat membantu proses membedakan label yang terdapat
pada label dataset ketika sistem akan digunakan. Agar mendapatkan model yang
optimal pada CNN VGG16 dilakukan pengujian hyperparameter batch size dan
epoch. Berdasarkan pengujian yang dilakukan digunakan ukuran batch size 16, 32
dan 64 serta hyperparameter epoch 5, 10, 15, 20, dan 100. Dari kombinasi
pengujian tersebut didapatkan 15 skenario pengujian yang dimana pengujian ke 10
mendapatkan akurasi terbaik dengan pengujian hyperparameter batch size 32 dan
epoch 100. Dari pengujian ke 10 tersebut didapatkan akurasi testing sebesar 98,87%
dan test loss sebesar 0.0465.
Kata kunci : CNN, VGG16, YOLO, transfer learning, buah

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, VGG16, YOLO, transfer learning, buah
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	29 Feb 2024 08:52
Last Modified:	29 Feb 2024 08:52
URI:	http://eprints.upnyk.ac.id/id/eprint/39005

Actions (login required)

View Item