PENGARUH REMOVE BACKGROUND DALAM KLASIFIKASI JAMUR MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Idris, Muhammad Kamal (2025) PENGARUH REMOVE BACKGROUND DALAM KLASIFIKASI JAMUR MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_123180074_Muhammad Kamal Idris.pdf Download (105kB)
	Text 4_Halaman Pengesahan_123180074_Muhammad Kamal Idris.pdf Download (10MB)
	Text 3_Abstrak_123180074_Muhammad Kamal Idris.pdf Download (17kB)
	Text 5_Daftar Isi_123180074_Muhammad Kamal Idris.pdf Download (38kB)
	Text 6_Daftar Pustaka_123180074_Muhammad Kamal Idris.pdf Download (145kB)
	Text 1_Skripsi Full_123180074_Muhammad Kamal Idris.pdf Restricted to Repository staff only Download (3MB)

Abstract

Jamur sudah tidak asing lagi bagi manusia sejak zaman dahulu. Seiring berjalannya
waktu, diketahui terdapat ribuan jenis jamur yang berbeda, mulai dari daerah subtropis yang
sejuk hingga daerah tropis yang panas. Jamur adalah anggota dari kerajaan organisme yang
disebut Fungi(Tutut Furi Kusumaningrum, 2018). Organisme dalam kerajaan ini dapat
memiliki berbagai bentuk, ukuran, dan peran dalam ekosistem. Jamur jarang memiliki
klorofil seperti tumbuhan, sehingga mereka tidak bisa melakukan fotosintesis untuk
menghasilkan makanan sendiri (Rahmadhani et al., 2023).
Dalam penelitian ini menganalisis tentang pengaruh Remove Background pada suatu
gambar jamur untuk diklasifikasikan menggunakan metode CNN dengan arsitektur
EfficientNet-B0. Penelitian ini menggunakan dataset klasifikasi jamur dengan total 3000
gambar yang dibagi menjadi 4 kelas klasifikasi jamur yaitu Agaricus, Amanita, Boletus dan
Cortinarius. Dataset dibedakan menjadi 2 jenis dataset, perbedaannya yaitu dataset dengan
gambar yang dilakukan remove background dan gambar original yang disediakan oleh
penyedia dataset tersebut dari website kaggle tanpa dilakukan remove background. Masing
masing dataset di-split menjadi data training, data validation dan data testing pada setiap
kelas jenis jamur dengan rasio 80 % data training, 10 % data validation dan 10 % dara
testing.Selanjutnya kedua jenis dataset tersebut masing-masing dilakukan proses klasifikasi
gambar menggunakan metode CNN dengan arsitektur EfficeintNet-B0 untuk menentukan
pengaruh yang terjadi pada hasil klasifikasi dengan membedakan jenis dataset tersebut.
Model CNN yang digunakan menggunakan arsitektur EfficientNet-B0 dengan input
shape 224x224 pixel dan menggunakan 20 Epoch. Penelitian ini menguji dua jenis dataset
yang sudah dijelaskan sebelumnya menggunakan model CNN dengan arsitektur
EfficientNet-B0 yang sama. Dalam pengujian pertama menggunakan dataset tanpa
dilakukan remove background mendapatkan akurasi training 84.04% , akurasi validation
88.00%, dan akurasi testing sebesar 86.00%. Dalam pengujian kedua menggunakan dataset
dengan remove background mendapatkan hasil akurasi training sebesar 90.87% , akurasi
validation sebesar 86.67%, dan akurasi testing mendapatkan 93.33%. Dari akurasi pengujian
menjadaptkan selisih 7.33% lebih baik dibandingkan pengujian sebelumnya. Gambar yang
dilakukan remove background akan terfokus pada objek yang diteliti saja. Sehingga
perhitungan dari algoritma CNN dapat dengan mudah mengenali objek yang sedang
dianalisis.
Kata kunci: Convolutional Neural Network, EfficeintNet-B0, Klasifikasi Gambar
Jamur.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Muhammad Kamal Idris (Penulis-123180074) ; Rifki Indra Perwira (Pembimbing)
Uncontrolled Keywords:	Convolutional Neural Network, EfficeintNet-B0, Klasifikasi Gambar Jamur.
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	15 Oct 2025 03:34
Last Modified:	15 Oct 2025 03:34
URI:	http://eprints.upnyk.ac.id/id/eprint/44404

Actions (login required)

View Item