Deteksi Pisang dengan Kematangan secara Kimia Menggunakan Convolutional Neural Network

Fenori, Muhammad Dajuma and Dr. Candra Dewi, S.Kom, M.Sc. (2024) Deteksi Pisang dengan Kematangan secara Kimia Menggunakan Convolutional Neural Network. Sarjana thesis, Universitas Brawijaya.

Abstract

Pisang merupakan salah satu jenis buah yang kerap dikonsumsi oleh masyarakat Indonesia. Tingkat kematangan merupakah salah satu hal yang perlu diperhatikan sebelum mengonsumsi pisang. Tingkat kematangan secara alami dan kimia dapat dibedakan dengan dilihat langsung, tetapi hal ini membutuhkan keahlian dan kecermatan. Salah satu teknologi yang digunakan pada pisang adalah mempercepat proses kematangan menggunakan bahan kimia. Perbedaan visual ini yang membuat penggunaan CNN dapat mengenali perbedaan antara pisang dengan kematangan alami atau kimia. Model CNN yang digunakan dalam penelitian ini adalah ResNet152 dan MobileNetV3small. Kedua model akan dilatih dalam 3 kondisi, yaitu modifikasi learning rate, dengan Reduce Learning Rate on Plateau, dan penambahan dropout layer. Selanjutnya, metode ensemble averaging digunakan untuk melihat improvisasi dari hasil prediksi kedua model. Performa model terbaik pada data uji menggunakan ensemble averaging pretrained ResNet152 dan MobileNetV3small dengan optimizer SGD dan Reduce Learning Rate on Plateau. Akurasi yang diperoleh adalah 90,23% dengan macro average masingmasing precision 90,75%, recall 90,75%, dan f1score 90,25%.

English Abstract

consumers before consuming banana. There are natural ripeness dan chemical ripeness, it can be distinguished by visual, but it needs extra knowledge to posses it. Nowaday, some industries implement chemical substances to reduce ripening time of banana. These visual differences can be learned by CNN to distinguish natural ripeness and chemical ripeness. ResNet152 and MobileNet will be used in this research. Each model is trained with 3 conditions, learning rate modification, using Reduce Learning Rate on Plateau, and dropout layer implementation. Ensemble averaging is used to improve prediction accuracy of ResNet152 and MobileNetV3small. The best performance is given by ensemble average of pretrained ResNet152 dan MobileNetV3small using SGD and Reduce Learning Rate on Plateau. Its accuracy is 90,23% with macro average of each metrics 90,75% precision, 90,75% recall, and 90,25% f1score.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150148
Uncontrolled Keywords:	Kematangan Kimia, CNN, Ensemble averaging
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	26 Feb 2024 07:10
Last Modified:	26 Feb 2024 07:10
URI:	http://repository.ub.ac.id/id/eprint/215914

Text (DALAM MASA EMBARGO) Muhammad Dajuma Fenori.pdf Restricted to Registered users only Download (2MB)

Actions (login required)

View Item