Ramadhan, Naufal Hilmi and Mas’ud Effendi,, STP., MP and Arif Hidayat,, STP., M.AIT, PhD (2022) Identifikasi Mutu Kedelai Hitam (Glycine soja) Berbasis Citra Digital Menggunakan Metode Jaringan Saraf Konvolusional. Sarjana thesis, Universitas Brawijaya.
Abstract
Potensi pemanfaatan kedelai cukup luas menjadikan tingkat mutu dari kedelai hitam harus diperhatikan sesuai dengan tujuan konsumsinya. Permasalahan yang dihadapi dalam identifikasi mutu kedelai hitam adalah waktu yang cukup lama dan kualitas penilaian yang tidak konsisten. Berdasarkan hal tersebut, dibutuhkan adaptasi teknologi terhadap penilaian mutu kedelai hitam yang masih dilakukan secara tradisional. Salah satu teknologi yang dapat diterapkan adalah penggunaan citra digital yang dianalisis dengan metode jaringan saraf konvolusional. Adapun tujuan dari penelitian ini adalah untuk menentukan arsitektur jaringan saraf konvolusional terbaik dengan membandingkan kinerja antara arsitektur Custom CNN, MobileNetV2 dan ResNet-34. Metode yang diterapkan dari penelitan ini adalah arsitektur jaringan saraf konvolusional biasa (Custom CNN) dan arsitektur dari transfer learning (MobileNetV2 dan ResNet-34). Arsitektur tersebut akan diuji menggunakan rasio data splitting sebesar 50:25:25, 60:25:15, dan 70:20:10 serta total keseluruhan citra yang digunakan adalah 1300 citra. Pembahasan yang akan dianalisis meliputi akurasi data latih dan uji, kinerja hasil prediksi serta ukuran model dan kecepatan prediksi. Hasil terbaik untuk identifikasi mutu parameter fisik adalah pada arsitektur MobileNetV2 dengan rasio 50:25:25 yang menghasilkan akurasi sebesar 90,18% dan hasil terbaik untuk parameter kadar air adalah pada arsitektur ResNet-34 dengan rasio 70:20:10 yang menghasilkan akurasi sebesar 78,12%. Adapun hasil akurasi terbaik secara keseluruhan dengan identifikasi parameter fisik dan kadar air secara bersamaan adalah pada arsitektur ResNet-34 dengan rasio 70:20:10 dimana memiliki rata-rata akurasi data prediksi sebesar 79,21%. Apabila dilihat dari kecepatan komputasi, kecepatan prediksi dari ketiga arsitektur sudah cukup baik apabila hanya digunakan sebagai image recognition. Perbaikan akurasi dapat dilakukan dengan menerapkan arsitektur-arsitektur transfer learning yang lebih terbaru seperti Contrastive Captioners atau menerapkan fungsi aktivasi yang lebih terbaru seperti Swish, Mish, atau Logish pada Custom CNN. Selain itu, perbaikan juga dapat dilakukan dengan cara memperbanyak jumlah citra sehingga model dapat memahami segala kemungkinan yang terjadi dalam identifikasi mutu kedelai hitam. Adapun saran pemanfaatan yang lebih praktis adalah integrasi antara arsitektur dengan perangkat keras seperti penggunaan sensor kamera dan modul raspberry pi sehingga memungkinkan identifikasi mutu secara real time.
English Abstract
The potential for soybeans is wide enough to make the quality level of black soybeans must be considered for consumption. The problems faced in identifying the quality of black soybeans are quite a long time and inconsistent quality of assessment. Based on this, it is necessary to adopt technology for the quality assessment of black soybean, which is traditionally done. One of the technologies that can be applied is the use of digital images that are analyzed by the convolutional neural network method. This research aims to determine the best convolutional neural network architecture by comparing the performance between Custom CNN, MobileNetV2, and ResNet-34 architectures. The method applied in this research is the ordinary convolutional neural network architecture (Custom CNN) and the transfer learning architecture (MobileNetV2 and ResNet-34). The architecture will be tested using a data splitting ratio of 50:25:25, 60:25:15, and 70:20:10, and the total image used is 1300 images. The discussion that will be analyzed includes the accuracy of training and test data, the prediction results' performance, the model's size, and the prediction's speed. The best result for identifying the quality of physical parameters is on the MobileNetV2 architecture with a ratio of 50:25:25, which produces an accuracy of 90.18%. The best result for the water content parameter is on the ResNet-34 architecture with a ratio of 70:20:10, which produces an accuracy of 78.12%. The best overall accuracy result with the identification of physical parameters and water content simultaneously is the ResNet-34 architecture with a ratio of 70:20:10, which has an average accuracy of predictive data of 79.21%. When viewed from the computational speed, the prediction speed of the three architectures is good enough if only used as image recognition. Accuracy improvements can be made by implementing newer transfer learning architectures such as Contrastive Captioners or implementing newer activation functions such as Swish, Mish, or Logish in Custom CNN. In addition, improvements can be made by increasing the number of images so that the model can understand all the possibilities in identifying the quality of black soybeans. The suggestion for more practical use is integrating architecture and hardware, such as using camera sensors and raspberry pi modules to identify quality in real-time.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0522100107 |
| Uncontrolled Keywords: | Citra Digital, Jaringan Saraf Konvolusional, Kedelai Hitam, Mutu,Black Soybeans, Convolutional Neural Networks Digital Image, Quality |
| Subjects: | 300 Social sciences > 338 Production > 338.1 Agriculture > 338.16 Production efficiency |
| Divisions: | Fakultas Teknologi Pertanian > Teknologi Industri Pertanian |
| Depositing User: | soegeng Moelyono |
| Date Deposited: | 15 Jul 2022 02:38 |
| Last Modified: | 15 Jul 2022 02:38 |
| URI: | http://repository.ub.ac.id/id/eprint/192093 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
NAUFAL HILMI RAMADHAN.pdf Restricted to Registered users only until 31 December 2024. Download (3MB) |
Actions (login required)
 |
View Item |