Identifikasi Daging Fresh dan Thawed Menggunakan Discrete Cosine Transform, Gray Level Co-occurrence Matrix, dan Convolutional Neural Network

Susanto, Meitio (2024) Identifikasi Daging Fresh dan Thawed Menggunakan Discrete Cosine Transform, Gray Level Co-occurrence Matrix, dan Convolutional Neural Network. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (213kB)
	PDF BAB_II.pdf Download (939kB)
	PDF BAB_III.pdf Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (599kB)
	PDF BAB_V.pdf Download (204kB)
	PDF DAFTAR_PUSTAKA.pdf Download (211kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (235kB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem identifikasi yang dapat membedakan antara daging segar dan thawed menggunakan teknologi komputer dan machine learning. Metode yang digunakan meliputi ekstraksi fitur dengan DCT dan GLCM, serta penggunaan CNN untuk klasifikasi. Penelitian ini mencakup tinjauan literatur, pengumpulan dataset, pre-processing data, pembagian data, pembuatan arsitektur model, evaluasi kinerja model. Hasil penelitian ini bertujuan untuk memberikan kontribusi dalam meningkatkan kualitas pengenalan daging segar dan thawed. Penelitian ini mengeksplorasi klasifikasi gambar daging menggunakan metode CNN. Pada tahap awal, dilakukan telaah literatur untuk memahami penelitian sebelumnya, mengidentifikasi teori yang mendukung. Data gambar daging dikumpulkan dari Kaggle, terdiri dari total berjumlah 2586 gambar daging. Pada tahap pre-processing, data diolah agar siap digunakan dalam pelatihan model. Fitur diekstraksi menggunakan DCT pada frekuensi rendah dan GLCM. Dataset kemudian dibagi menjadi data training (60%), validation (20%), dan testing (20%). Model CNN dibangun dengan lapisan konvolusi, max-pooling, normalisasi batch, dropout, serta lapisan-lapisan Dense dan MLP. Model dikompilasi menggunakan optimizer Adam, fungsi loss categorical crossentropy, metrik akurasi. Model dilatih dan diuji untuk mengevaluasi kinerjanya menggunakan metrik seperti akurasi, presisi, recall, F1-score. Hasil evaluasi menunjukkan bahwa model dapat memberikan prediksi yang bagus pada data baru. Berdasarkan hasil yang sudah diuji coba, diperoleh akurasi sebesar 99,81% dengan training time selama 3119,018 detik, testing time selama 8,083 detik, loss sebesar 0,0159 untuk data yang belum diaugmentasi. Pada data yang sudah diaugmentasi, diperoleh akurasi sebesar 99,70% dengan training time selama 3745,148 detik, testing time selama 8,907 detik, loss sebesar 0,0133.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	identifikasi, machine learning, daging, feature extraction, CNN
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 09:39
Last Modified:	11 Nov 2024 09:39
URI:	https://kc.umn.ac.id/id/eprint/34300

Actions (login required)

View Item