KLASIFIKASI JENIS BUAH KURMA DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) ARSITEKTUR XCEPTION DAN YOU ONLY LOOK ONCE (YOLOV5)

Alfandi, Ahmad Bagus Nur (2024) KLASIFIKASI JENIS BUAH KURMA DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) ARSITEKTUR XCEPTION DAN YOU ONLY LOOK ONCE (YOLOV5). Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (196kB)
	Text COVER.pdf Download (236kB)
	Text DAFTAR PUSTAKA.pdf Download (425kB)
	Text LEMBAR PENGESAHAN PEMBIMBING.pdf Download (791kB)
	Text LEMBAR PENGESAHAN PENGUJI.pdf Download (632kB)
	Text SKRIPSI_FULLTEXT_Ahmad Bagus NA_123190120.pdf Restricted to Repository staff only Download (5MB)

Abstract

vi
ABSTRAK
Sebagai negara yang memiliki penganut agama Islam terbanyak di Dunia, buah
kurma menjadi salah satu buah yang populer dan sangat dikenal masyarakat Indonesia.
Terdapat lebih dari 200 varietas jenis buah kurma yang ada di dunia. Menariknya, setiap
jenis memiliki beberapa ciri spesifik yang berbeda dari kurma satu dengan yang lain.
Penelitian ini bertujuan untuk mengembangkan model klasifikasi jenis buah kurma
menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Xception dan
deteksi objek menggunakan You Only Look Once (YOLOv5). Terdapat delapan jenis buah
kurma yang diklasifikasikan dalam penelitian ini adalah Ajwa, Rutab, Sukari, Medjool,
Galaxy, Meneifi, Shaishe, dan Nabtat Ali. Dataset yang digunakan terdiri dari citra digital
yang telah melalui proses preprocessing seperti resize dan cropping untuk memastikan
konsistensi ukuran dan format. Proses pengembangan model melibatkan pengumpulan
dataset, preprocessing data, perancangan model, training dan evaluasi model.
Berdasarkan berbagai percobaan yang dilakukan untuk menemukan kombinasi
hyperparameter dan pendekatan tranfer learning yang paling optimal, percobaan dengan
kombinasi batch size 64, epoch 20 dan pendekatan fine tuning menghasilkan tingkat akurasi
tertinggi sebesar 97,46%. Sedangkan penggunaan YOLOv5 berfungsi sebagai filter untuk
mencegah semua objek yang diinputkan masuk ke proses klasifikasi. Setelah objek
terdeteksi, citra objek tersebut dikirim ke Xception untuk diklasifikasikan. Dengan
menggabungkan kedua pendekatan ini, sistem dapat mendeteksi dan mengklasifikasikan
objek dalam gambar dengan lebih cepat dan akurat.
Kata Kunci: Convolutional Neural Network, Xception, YOLOv5, Klasifikasi, Kurma, Deep
Learning
vii
ABSTRACT
As a country with the largest Muslim population in the world, dates are a popular
and well-known fruit among Indonesians. There are more than 200 varieties of dates
worldwide. Interestingly, each type has specific characteristics that distinguish it from
others. This study aims to develop a model for classifying different types of dates using the
Convolutional Neural Network (CNN) method with the Xception architecture and object
detection using You Only Look Once (YOLOv5). The eight types of dates classified in this
study are Ajwa, Rutab, Sukari, Medjool, Galaxy, Meneifi, Shaishe, and Nabtat Ali. The
dataset used consists of digital images that have undergone preprocessing steps such as
resizing and cropping to ensure consistency in size and format. The model development
process involves data collection, data preprocessing, model design, model training, and
model evaluation.
Based on various experiments conducted to find the optimal combination of
hyperparameters and transfer learning approaches, the experiment with a combination of
batch size 64, epoch 20, and fine-tuning approach achieved the highest accuracy rate of
97.46%. Meanwhile, the use of YOLOv5 functions as a filter to prevent all input objects from
entering the classification process. Once an object is detected, the image of the object is sent
to Xception for classification. By combining these two approaches, the system can detect
and classify objects in images more quickly and accurately.
Keywords: Convolutional Neural Network, Xception, YOLOv5, Classification, Dates, Deep
Learning

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, Xception, YOLOv5, Classification, Dates, Deep Learning
Subjects:	T Technology > T Technology (General) 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:	21 Jun 2024 01:21
Last Modified:	21 Jun 2024 01:22
URI:	http://eprints.upnyk.ac.id/id/eprint/39836

Actions (login required)

View Item