Rancang Bangun Sistem Klasifikasi Kematangan pada Buah Jeruk Menggunakan Arsitektur ResNet50

Patria, Axel (2023) Rancang Bangun Sistem Klasifikasi Kematangan pada Buah Jeruk Menggunakan Arsitektur ResNet50. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (256kB) | Preview
Preview	PDF BAB_I.pdf Download (156kB) | Preview
Preview	PDF BAB_II.pdf Download (372kB) | Preview
Preview	PDF BAB_III.pdf Download (270kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (584kB)
Preview	PDF BAB_V.pdf Download (105kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (310kB)

Abstract

Dengan tingginya jumlah panen jeruk tahunan, memunculkan permasalahan baru pada proses sortir jeruk dimana terbagi dalam dua metode yakni sortir secara manual yang dapat mendeteksi kematangan jeruk, atau sortir secara otomatis hanya berdasarkan ukuran buah. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk membuat sistem klasifikasi kematangan buah jeruk menggunakan model Convolutional Neural Network ResNet50 guna membantu proses pasca panen jeruk. Sistem menggunakan dataset yang diambil secara manual, dimana telah difoto sebanyak 950 buah jeruk unik yang kemudian menjalankan beberapa proses augmentasi dan preprocessing. Kesuksesan sistem diukur dari tingkat akurasi, F1-Score dan ROC/AUC yang dihasilkan dari dataset tertentu. Sistem memberikan hasil terbaik menggunakan kombinasi augmentasi brightness 15% + flip horizontal/vertical + blur 5px, dengan akurasi sebesar 0.9631578947, Precision sebesar 0.961039, Recall sebesar 0.954589, F1-Score sebesar 0.9573273442, ROC/AUC OVR sebesar 0.97 pada kelas Matang vs Rest, 1.00 pada Busuk vs Rest, dan 0.95 pada Belum Matang vs Rest. Dari hasil penelitian yang dilakukan, masih terdapat misklasifikasi terhadap kelas Matang dan Belum Matang yang diakibatkan oleh kemiripan data pada masing-masing kelas. Namun demikian, arsitektur ResNet50 terbukti mampu memberikan tingkat akurasi yang tinggi dalam melakukan klasifikasi terhadap tingkat kematangan jeruk, meski masih membutuhkan pengembangan lebih lanjut.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Klasifikasi Kematangan Jeruk, ResNet50, Convolutional Neural Network
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.3 Artificial Intelligence, Machine Learning, Pattern Recognition, Data Mining
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Mar 2023 09:20
Last Modified:	08 Jun 2023 01:01
URI:	https://kc.umn.ac.id/id/eprint/23946

Actions (login required)

View Item