EVALUASI PERFORMA ARSITEKTUR RESNET50 DAN VGG16 PADA KLASIFIKASI KEMATANGAN TANDAN BUAH SEGAR TBS KELAPA SAWIT

Agra Nibrasul Al Fauzan, . (2025) EVALUASI PERFORMA ARSITEKTUR RESNET50 DAN VGG16 PADA KLASIFIKASI KEMATANGAN TANDAN BUAH SEGAR TBS KELAPA SAWIT. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123210148.pdf Download (134kB)
	Text Abstrak_123210148.pdf Download (184kB)
	Text Halaman Pengesahan_123210148.pdf Download (713kB)
	Text Daftar Isi_123210148.pdf Download (249kB)
	Text Daftar Pustaka_123210148.pdf Download (204kB)
	Text Fulltext_123210148.pdf Restricted to Repository staff only Download (2MB)

Abstract

Kelapa sawit merupakan komoditas perkebunan strategis di Indonesia yang memiliki peran penting dalam sektor ekonomi. Salah satu faktor krusial dalam rantai produksinya adalah penentuan tingkat kematangan tandan buah segar (TBS), karena kualitas hasil minyak sawit sangat dipengaruhi oleh ketepatan panen. Namun, proses penentuan kematangan TBS di lapangan masih mengandalkan penilaian visual oleh manusia, yang rentan terhadap subjektivitas dan inkonsistensi. Hal ini dapat menurunkan efisiensi panen serta mutu produksi. Oleh karena itu, penelitian ini berupaya merancang Model berbasis kecerdasan buatan yang mampu melakukan klasifikasi tingkat kematangan TBS secara lebih objektif, akurat, dan konsisten.
Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning pada dua arsitektur populer, yaitu ResNet-50 dan VGG16. Dataset penelitian terdiri dari 852 citra buah sawit tunggal hasil proses cleaning dari gabungan dua sumber terbuka (Kaggle dan Roboflow). Dataset kemudian dibagi menjadi data latih, validasi, dan uji, dengan empat kelas tingkat kematangan: mentah, mengkal, matang, dan busuk. Model dilatih dalam empat skenario eksperimen (A1, A2, B1, dan B2) dengan variasi hyperparameter learning rate, sementara parameter lain seperti optimizer, batch size, dan jumlah epoch dijaga konstan. Proses pelatihan dilakukan melalui dua tahap, yaitu feature extraction dan fine-tuning. Evaluasi Model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, serta visualisasi confusion matrix dan learning curve. Untuk memperkuat validitas hasil, dilakukan pula uji statistik menggunakan ANOVA dan Tukey HSD untuk mengidentifikasi perbedaan signifikan antar skenario.
Hasil penelitian menunjukkan bahwa arsitektur ResNet-50 pada skenario A2 dengan learning rate kecil (0.0001 pada feature extraction dan 1e-5 pada fine-tuning) menghasilkan performa terbaik, dengan akurasi uji mencapai 92.97% dan rata-rata F1-score 0.93. Hasil uji ANOVA memperlihatkan adanya perbedaan signifikan antar skenario, sementara uji Tukey HSD mengonfirmasi bahwa perbedaan paling mencolok terdapat antara ResNet-50 A2 dengan VGG16 B2. Temuan ini membuktikan bahwa pemilihan learning rate yang lebih kecil mampu meningkatkan stabilitas konvergensi dan generalisasi Model, serta mengurangi risiko overfitting. Penelitian ini berkontribusi dalam menyediakan pendekatan berbasis CNN yang efektif untuk klasifikasi tingkat kematangan TBS, sekaligus memperkuat dasar pengembangan sistem panen berbasis kecerdasan buatan yang lebih objektif dan efisien.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Agra Nibrasul Al Fauzan ( Penulis - 123210148) Agus Sasmito Aribowo ( Pembimbing)
Uncontrolled Keywords:	Convolutional Neural Network, ResNet-50, VGG16, klasifikasi citra, kelapa sawit
Subjek:	S Agriculture > S Agriculture (General) T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	20 Oct 2025 08:16
Last Modified:	20 Oct 2025 08:16
URI:	http://eprints.upnyk.ac.id/id/eprint/44587

Actions (login required)

View Item