KLASIFIKASI KUALITAS SAYUR KOL BERDASARKAN CITRA FISIK MENGGUNAKAN DEEP LEARNING DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

Dhamayanti, Ratna, 51604110018 and Rohmah, Mimin Fatchiyatur, 0706067001 and Zahara, Soffa, 0704079101 (2020) KLASIFIKASI KUALITAS SAYUR KOL BERDASARKAN CITRA FISIK MENGGUNAKAN DEEP LEARNING DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN). Bachelor thesis, Universitas Islam Majapahit.

	Text ABSTRAK.pdf Restricted to Registered users only Download (1MB) | Request a copy
Preview	Text BAB I.pdf Download (126kB) | Preview
	Text BAB II.pdf Restricted to Registered users only Download (435kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (51kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (549kB) | Request a copy
Preview	Text BAB V.pdf Download (12kB) | Preview
Preview	Text DAFTAR PUSTRAKA.pdf Download (129kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Download (97kB) | Request a copy

Abstract

Sayur kol merupakan salah satu jenis sayuran yang umum dijumpai masyarakat Indonesia. Banyaknya sayur kol yang dipanen, membuat petani terkadang sedikit kerepotan dalam proses menyortir sayur kol mana yang layak ekspor dan tidak. Dan dengan seiring berkembangnya teknologi, maka hal ini menjadi sangat mungkin untuk membuat komputer mampu melakukan pekerjaan yang dianggap biasa oleh manusia termasuk proses sortir kualitas sayur kol. Hal semacam ini dapat dilakukan dengan menggunakan Deep Learning yang mengusung Convolutional Neural Network sebagai metode klasifikasi. Dengan memanfaatkan citra fisik sayur kol, CNN mampu melakukan klasifikasi dengan model yang telah disusun sebelumnya. Dalam penelitian ini, peneliti membangun sebuah model yang terdiri dari 4 convolution layer, 2 pooling layer yang berukuran 2×2, 3 dropout layer, 2 dense layer serta 1 flatten layer. Sedang untuk aktivasinya, digunakan ReLu, dengan filter sebanyak 32 dan 64 yang ukuran kernelnya 3×3. Model ini diuji dengan menggunakan 270 data yang dimana 210 digunakan sebagai data train dan 60 data digunakan sebagai data test. Dengan learning rate sebesar 0.004, 30 epoch dan tiga algoritma performasi berbeda yaitu; Stochastic Gradient Descent (SGD), Adaptive Moment (Adam), dan Root Mean Square Propagation (RMSProp) dengan hasil tertinggi berada pada algoritma Adam yang tingkat akurasinya sebesar 80% untuk data test dan 73% untuk data train berdasarkan komposisi warna yang terdapat dalam citra.

Actions (login required)

View Item