KLASIFIKASI BATANG TEBU BERDASARKAN KELAYAKAN GILING MENGGUNAKAN MODEL CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VGG19 DAN RESNET50 DALAM INDUSTRI GULA DI INDONESIA

Bayu Prasetya Wijaya, . (2026) KLASIFIKASI BATANG TEBU BERDASARKAN KELAYAKAN GILING MENGGUNAKAN MODEL CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VGG19 DAN RESNET50 DALAM INDUSTRI GULA DI INDONESIA. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220002.pdf Download (72kB)
	Text Abstrak_123220002.pdf Download (92kB)
	Text Halaman Pengesahan_123220002.pdf Download (185kB)
	Text Isi_123220002.pdf Download (85kB)
	Text Pustaka_123220002.pdf Download (96kB)
	Text FullText_123220002.pdf Restricted to Repository staff only Download (12MB)

Abstract

Tebu (Saccharum officinarum) merupakan tanaman penghasil gula yang penting dalam industri gula Indonesia. Penentuan kelayakan giling batang tebu berdasarkan kadar gula (nilai Brix) sangat krusial untuk memastikan kualitas bahan baku optimal. Batang tebu dengan Brix ≥ 16% dianggap layak digiling, sedangkan Brix < 16% menunjukkan kualitas kurang baik. Namun, proses penentuan ini memakan waktu dan bergantung pada keahlian tenaga kerja. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis kelayakan giling batang tebu berdasarkan citra menggunakan Convolutional Neural Network (CNN) dengan transfer learning.
Dataset penelitian terdiri dari 16.532 citra batang tebu varietas Bululawang yang diklasifikasikan menjadi dua kategori, layak giling (Brix ≥ 16%) dan tidak layak giling (Brix < 16%). Metodologi penelitian mencakup preprocessing citra, pelatihan model CNN dengan arsitektur VGG19 dan ResNet50 menggunakan transfer learning, serta evaluasi kinerja model melalui pengujian berbagai kombinasi hyperparameter meliputi epoch, optimizer, dan teknik fine tuning. Dua pendekatan pelatihan diterapkan, pelatihan perkategori dan pelatihan menggunakan semua kategori sekaligus.
Hasil penelitian menunjukkan ResNet50 mencapai performa terbaiki dengan akurasi 87,87% pada pelatihan semua kategori an pelatihan perkategori menghasilkan akurasi 80,29%, mengungguli VGG19 yang mencapai akurasi 79,81% pada pelatihan semua kategori dan pada pelatihan perkategori menghasilkan akurasi 79,11%. Model dengan performa terbaik diimplementasikan dalam aplikasi web berbasis Streamlit untuk memudahkan petani dan pelaku industri dalam melakukan klasifikasi secara real-time. Penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi pertanian presisi yang dapat meningkatkan efisiensi operasional dan akurasi penentuan kelayakan giling tebu, serta mendukung keberlanjutan industri gula Indonesia.

Kata Kunci: Klasifikasi Tebu, CNN, VGG19, ResNet50, Nilai Brix.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Bayu Prasetya Wijaya (Penulis - 123220002) Andrey Ferriyan (Pembimbing)
Uncontrolled Keywords:	Klasifikasi Tebu, CNN, VGG19, ResNet50, Nilai Brix.
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	03 Feb 2026 01:24
Last Modified:	03 Feb 2026 01:24
URI:	http://eprints.upnyk.ac.id/id/eprint/46955

Actions (login required)

View Item