KLASIFIKASI UNTUK MENENTUKAN KEMATANGAN BUAH PISANG MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK

Gunawan, Bagas Tri (2023) KLASIFIKASI UNTUK MENENTUKAN KEMATANGAN BUAH PISANG MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. Sarjana thesis, Institut Sains & Teknologi AKPRIND Yogyakarta.

	Text (cover) Cover.pdf - Accepted Version Download (20kB)
	Text (intisari) ABSTRAK.pdf - Accepted Version Download (10kB)
	Text (BAB 1) BAB I.pdf - Accepted Version Download (13kB)
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf - Accepted Version Download (128kB)
	Text (Full Text) FULL TEXT.pdf - Accepted Version Download (6MB)

Abstract

Menurut data dari Badan Pusat Statistik (BPS) pada tahun 2021 total data produksi buah di Indonesia yaitu sebanyak 25,97 ton. Pisang menjadi buah yang paling banyak produksinya yaitu sekitar 8,7 juta ton produksi sepanjang tahun 2021. Dengan jumlah data tersebut menjadikan pisang memiliki nilai ekonomi yang cukup menjanjikan. Produksi pisang dalam jumlah besar sesuai data sebelumnya perlu dilakukan proses distribusi dengan cepat, karena waktu buah pisang setelah dipanen kemungkinan hanya dapat bertahan sekitar 5 sampai 7 hari dalam suhu normal sebelum akhirnya akan terjadi proses pembusukan buah. Untuk itulah perlu dilakukan proses klasifikasi buah pisang dengan cepat. Untuk membantu mempercepat proses klasifikasi, prosesnya dilakukan secara otomatis menggunakan mesin. Dalam pemrosesan gambar peneliti menggunakan algoritma CNN. Proses klasifikasi ini diperlukan untuk menentukan prioritas dalam distribusinya, sehingga kondisi buah akan lebih terjamin kesegarannya. Dalam klasifikasinya peneliti akan membagi pisang dalam beberapa tingkat kematangan buah, peneliti membagi menjadi 3 kategori. Kategorinya yaitu mentah, matang, dan terlalu matang. Penelitian menggunakan model CNN yang terdiri dari beberapa lapisan yang terdiri dari lapisan konvolusi 2D (Conv2D), lapisan pooling 2D (MaxPooling2D), lapisan flatten, lapisan fully connected (Dense), dan lapisan Dropout. Setelah proses pembuatan model selesai, model akan diuji tingkat akurasi dengan metode Confusion matrix. Pada percobaan ke-3 model menghasilkan tingkat akurasi tertinggi dalam uji cobanya, dengan 300 gambar uji coba menghasilkan 290 gambar diprediksi dengan benar sehingga akurasinya mencapai 97%. Selanjutnya model prediksi dengan akurasi tertinggi akan di-deploy menggunakan antarmuka website dengan menggunakan flask.

Item Type:	Thesis (Sarjana)
Uncontrolled Keywords:	CNN, Convolutional Neural Network, Klasifikasi Buah pisang, flask
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Fakultas Teknologi Informasi & Bisnis > Informatika (S1)
Depositing User:	Novri Aditya Nugroho
Date Deposited:	14 Jul 2023 06:10
Last Modified:	14 Jul 2023 06:10
URI:	http://eprints.akprind.ac.id/id/eprint/1932

Actions (login required)

View Item