Klasifikasi kematangan buah stroberi menggunakan metode Convolutional Neural Network

Risko Amalia, Alifa (2024) Klasifikasi kematangan buah stroberi menggunakan metode Convolutional Neural Network. S1 thesis, Universitas Ahmad Dahlan.

	Text (JUDUL) T1_2000018304_JUDUL__240817094739.pdf Download (1MB)
	Text (BAB I) T1_2000018304_BAB_I__240817094739.pdf Download (219kB)
	Text (BAB II) T1_2000018304_BAB_II__240817094739.pdf Restricted to Registered users only Download (618kB) | Request a copy
	Text (BAB III) T1_2000018304_BAB_III__240817094739.pdf Restricted to Registered users only Download (507kB) | Request a copy
	Text (BAB IV) T1_2000018304_BAB_IV__240817094739.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) T1_2000018304_BAB_V__240817094739.pdf Restricted to Registered users only Download (207kB) | Request a copy
	Text (Daftar Pustaka) T1_2000018304_DAFTAR_PUSTAKA__240817094739.pdf Download (215kB)
	Text (Lampiran) T1_2000018304_LAMPIRAN__240817094739.pdf Restricted to Registered users only Download (760kB) | Request a copy

Abstract

Stroberi (Fragaria × ananassa) adalah buah populer dengan rasa khas dan kandungan gizi yang tinggi, tetapi memiliki masa simpan yang terbatas dan mudah rusak. Sebagai buah non-klimakterik, stroberi harus dipanen dalam kondisi matang untuk memastikan kualitasnya. Peningkatan pernapasan setelah panen menyebabkan hilangnya nutrisi dan kelembaban, mempercepat penuaan dan mempengaruhi kualitas buah. Penelitian ini bertujuan untuk memanfaatkan metode Convolutional Neural Network (CNN) dengan arsitektur VGG16 dalam mengklasifikasikan kematangan stroberi serta mengevaluasi penerapan dan efektivitas algoritma CNN dalam mengidentifikasi kematangan buah tersebut. Manfaat penelitian ini meliputi penambahan wawasan dalam pengolahan citra berbasis CNN dan pengembangan kemampuan alternatif operasional CNN dalam klasifikasi kematangan buah stroberi.
Tahapan penelitian meliputi input data, preprocessing citra, penerapan model CNN dengan arsitektur VGG16, pengujian model, serta analisis hasil akurasi. Proses dimulai dengan pengumpulan dan persiapan data citra stroberi, diikuti dengan preprocessing untuk meningkatkan kualitas gambar. Model CNN (VGG16) kemudian diterapkan untuk mengklasifikasikan tingkat kematangan buah, diikuti dengan evaluasi performa model melalui pengujian akurasi dan analisis hasil.
Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan tingkat kematangan stroberi dengan sangat baik. Model CNN dengan arsitektur VGG16 yang digunakan berhasil mencapai akurasi sebesar 98,3% pada dataset yang terdiri dari 1200 citra yang dibagi menjadi 3 kelas tingkat kematangan. Dari 240 citra yang digunakan untuk pengujian, model menunjukkan kinerja yang konsisten dan akurat. Dengan demikian, penggunaan metode CNN dalam klasifikasi tingkat kematangan stroberi dapat menegaskan efektivitas metode CNN dalam pengolahan citra.

Item Type:	Thesis (S1)
Keyword:	CNN, klasifikasi, stroberi, tingkat kematangan, VGG16
Subjects:	Q Science > Q Science (General) T Technology > T Technology (General)
Divisi / Prodi:	Faculty of Industrial Technology (Fakultas Teknologi Industri) > S1-Informatics Engineering (S1-Teknik Informatika)
Depositing User:	userperpus2 userperpus2
Date Deposited:	28 Oct 2024 04:03
Last Modified:	28 Oct 2024 04:03
URI:	http://eprints.uad.ac.id/id/eprint/77066

Actions (login required)

View Item