KLASIFIKASI JENIS DURIAN BERDASARKAN CITRA DIGITAL MENGGUNAKAN TRANSFER LEARNING RESNET50

PUTRA, FIRMANSYAH AJITYA (2026) KLASIFIKASI JENIS DURIAN BERDASARKAN CITRA DIGITAL MENGGUNAKAN TRANSFER LEARNING RESNET50. Skripsi thesis, UPN "Veteran" Yogyakarta.

[thumbnail of cover - Putra Ajitya.pdf] Text
cover - Putra Ajitya.pdf

Download (217kB)
[thumbnail of abstrak - Putra Ajitya.pdf] Text
abstrak - Putra Ajitya.pdf

Download (753kB)
[thumbnail of Halaman pengesahan - Putra Ajitya.pdf] Text
Halaman pengesahan - Putra Ajitya.pdf

Download (565kB)
[thumbnail of daftar isi - Putra Ajitya.pdf] Text
daftar isi - Putra Ajitya.pdf

Download (509kB)
[thumbnail of daftar pustaka - Putra Ajitya.pdf] Text
daftar pustaka - Putra Ajitya.pdf

Download (1MB)
[thumbnail of KLASIFIKASI JENIS DURIAN BERDASARKAN CITRA DIGITAL MENGGUNAKAN TRANSFER LEARNING RESNET50 - Putra Ajitya.pdf] Text
KLASIFIKASI JENIS DURIAN BERDASARKAN CITRA DIGITAL MENGGUNAKAN TRANSFER LEARNING RESNET50 - Putra Ajitya.pdf
Restricted to Repository staff only

Download (3MB)

Abstract

Penelitian ini mengembangkan dan menganalisis kinerja model deep learning dalam
mengklasifikasikan jenis durian berdasarkan citra digital menggunakan arsitektur ResNet50
berbasis transfer learning. Identifikasi jenis durian merupakan faktor penting yang
menentukan kualitas dan nilai ekonomis buah di pasaran. Metode klasifikasi konvensional
berbasis pengamatan visual terhadap bentuk, pola duri, dan warna kulit bersifat subjektif dan
rentan terhadap kesalahan, sehingga diperlukan pendekatan otomatis yang lebih objektif dan
konsisten.
Dataset yang digunakan diperoleh dari platform Roboflow yang terdiri dari 11.716
citra buah durian utuh, diklasifikasikan ke dalam lima varietas premium: Bawor, Black
Thorn, Kanyao, Monthong, dan Musang King. Pra-pemrosesan mencakup pembagian data
(70% latih, 15% validasi, 15% uji), penyeimbangan kelas menjadi 1.500 citra per kelas,
resize citra ke resolusi 224×224 piksel, normalisasi piksel menggunakan parameter
ImageNet, serta augmentasi data. Pelatihan model menerapkan strategi fine-tuning
(pembekuan selektif) dengan mengevaluasi berbagai kombinasi optimizer dan batch size.
Hasil pengujian menunjukkan bahwa konfigurasi model terbaik dicapai
menggunakan optimizer AdamW dengan batch size 32, yang memperoleh test accuracy
sebesar 98,07%. Model tersebut memperoleh macro average F1-Score sebesar 97,62%,
precision sebesar 97,26%, dan recall sebesar 98,02%. Performa tertinggi dicatatkan pada
kelas Kanyao dengan presisi sempurna, sedangkan sedikit kesalahan klasifikasi terjadi antara
varietas Musang King dan Bawor akibat tingginya kemiripan morfologi visual di antara
keduanya. Penelitian ini menyimpulkan bahwa pendekatan transfer learning menggunakan
ResNet50 sangat efektif dan andal untuk diimplementasikan sebagai sistem klasifikasi
cerdas dalam membedakan varietas durian secara otomatis.
Kata Kunci: citra digital, durian, klasifikasi, ResNet50, transfer learning

Item Type: Tugas Akhir (Skripsi)
Uncontrolled Keywords: citra digital, durian, klasifikasi, ResNet50, transfer learning
Subjek: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik Industri > (S1) Informatika
Depositing User: A.Md Eko Suprapti
Date Deposited: 17 Nov 2026 02:29
Last Modified: 17 Nov 2026 02:29
URI: http://eprints.upnyk.ac.id/id/eprint/50491

Actions (login required)

View Item View Item