UMGOUMGO
Jurnal Ilmu Komputer (JUIK)Jurnal Ilmu Komputer (JUIK)Tujuan penelitian ini adalah (1) Mengidentifikasi kualitas dan jenis buah cabai secara otomatis menggunakan Algoritma deep learning. (2) Meningkatkan Akurasi sistem identifikasi kualitas dan jenis buah cabai dengan mengoptimalkan penerapan Algoritma deep learning. Deep Learning adalah arsitektur jaringan saraf tiruan berlapis untuk memproses dan menganalisis data dalam skala besar secara efisien guna menyelesaikan berbagai permasalahan kompleks. Deep Learning merupakan cabang dari Machine Learning yang algoritmanya dirancang mengadopsi arsitektur jaringan saraf biologis manusia, yang dikenal sebagai Artificial Neural Networks. Salah satu, arsitektur Deep Learning yang paling umum digunakan dalam analisis gambar adalah Convolutional Neural Network (CNN).Pada penelitian ini, sampel data yang didapatkan berjumlah 1500 data gambar yang dibagi 4 kelas , yaitu : Cabai keriting segar, Cabai keriting tidak segar, Cabai rawit segar dan Cabai rawit tidak segar. Setalah itu akan di bagi menjadi dua data yaitu train dan validasi Gambar grafik di atas tersebut menunjukkan hubungan antara rasio data latih-uji dengan Akurasi model pada ukuran citra 400x400 piksel. Terlihat bahwa Akurasi model cenderung meningkat seiring bertambahnya proporsi data latih, dengan puncak Akurasi terjadi pada 80:20, mencapai sekitar 98%. Model CNN CabaiNet yang dikembangkan dalam penelitian ini mampu mengklasifikasikan jenis dan kualitas buah cabai ke dalam empat kelas (cabai keriting segar, cabai keriting tidak segar, cabai rawit segar, dan cabai rawit tidak segar) dengan tingkat Akurasi tinggi, mencapai 99% pada konfigurasi terbaik. Hal ini menjawab rumusan masalah pertama terkait bagaimana mengidentifikasi kualitas dan jenis buah cabai dengan Algoritma deep learning, yaitu dengan memanfaatkan arsitektur CNN khusus yang dirancang untuk mengekstraksi fitur visual dari citra buah cabai.
Model CNN bernama CabaiNet yang dikembangkan berhasil mengklasifikasikan jenis dan kualitas buah cabai ke dalam empat kelas dengan akurasi hingga 98% pada konfigurasi terbaik.Ini menjawab rumusan masalah pertama terkait identifikasi cabai menggunakan arsitektur CNN khusus.Proses klasifikasi dilakukan secara otomatis dengan pelatihan model CNN menggunakan citra sebagai input.Model mempelajari ciri visual seperti bentuk, tekstur, dan warna untuk mengenali tiap kelas.Ukuran 400x400 piksel memberikan hasil paling seimbang, dengan akurasi tinggi, nilai loss rendah, dan waktu pelatihan yang efisien.
Berdasarkan hasil penelitian ini, terdapat beberapa arah penelitian lanjutan yang dapat dilakukan untuk meningkatkan akurasi dan efisiensi sistem klasifikasi cabai. Pertama, penelitian dapat difokuskan pada pengembangan arsitektur CNN yang lebih kompleks dan adaptif, misalnya dengan menggabungkan teknik attention mechanism atau transformer untuk menangkap hubungan antar fitur yang lebih kompleks. Kedua, perlu dilakukan eksplorasi terhadap berbagai teknik augmentasi data yang lebih beragam dan relevan dengan variasi kondisi pertumbuhan cabai di lapangan, seperti variasi pencahayaan, sudut pandang, dan tingkat kematangan. Ketiga, penelitian dapat menginvestigasi penggunaan sensor-sensor tambahan, seperti sensor warna atau sensor tekstur, untuk memberikan informasi pelengkap yang dapat meningkatkan akurasi klasifikasi, terutama pada kondisi cabai yang kurang ideal atau memiliki karakteristik visual yang mirip.
- Sistem Klasifikasi Tingkat Kematangan Buah Cabai Katokkon Berdasarkan Fitur Warna LAB Menggunakan Artificial... doi.org/10.59562/jessi.v4i2.996Sistem Klasifikasi Tingkat Kematangan Buah Cabai Katokkon Berdasarkan Fitur Warna LAB Menggunakan Artificial doi 10 59562 jessi v4i2 996
- Implementasi CNN Dalam Mengidentifikasi Kematangan Cabai Berdasarkan Warna | Indonesian Journal of Education... jurnal.intekom.id/index.php/indotech/article/view/385Implementasi CNN Dalam Mengidentifikasi Kematangan Cabai Berdasarkan Warna Indonesian Journal of Education jurnal intekom index php indotech article view 385
| File size | 529.5 KB |
| Pages | 10 |
| DMCA | Report |
Related /
NURISNURIS Dengan kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM), penelitian menerapkan alur kerja sistematis mulai dari pra-pemrosesanDengan kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM), penelitian menerapkan alur kerja sistematis mulai dari pra-pemrosesan
PELITABANGSAPELITABANGSA Model berhasil membedakan sentimen positif dan negatif dengan akurasi 0,75 dan F1-score 0,78, meskipun performa pada kelas netral lebih rendah akibat ekspresiModel berhasil membedakan sentimen positif dan negatif dengan akurasi 0,75 dan F1-score 0,78, meskipun performa pada kelas netral lebih rendah akibat ekspresi
POLIBANPOLIBAN Hasil menunjukkan kombinasi SGD, 50 epoch, dan batch size 32 memberikan akurasi validasi tertinggi (83.16%), mengungguli Adam/AdamW. Meski mengalami overfittingHasil menunjukkan kombinasi SGD, 50 epoch, dan batch size 32 memberikan akurasi validasi tertinggi (83.16%), mengungguli Adam/AdamW. Meski mengalami overfitting
POLIBANPOLIBAN Kondisi ini menuntut adanya sistem klasifikasi berbasis teknologi yang mampu memberikan diagnosis cepat dan akurat sebagai dukungan bagi pengambilan keputusanKondisi ini menuntut adanya sistem klasifikasi berbasis teknologi yang mampu memberikan diagnosis cepat dan akurat sebagai dukungan bagi pengambilan keputusan
SUBSETSUBSET Selanjutnya, dilakukan eksperimen lanjutan dengan menghilangkan proses tokenisasi tambahan pada preprocessing. Hasilnya, akurasi meningkat secara signifikanSelanjutnya, dilakukan eksperimen lanjutan dengan menghilangkan proses tokenisasi tambahan pada preprocessing. Hasilnya, akurasi meningkat secara signifikan
ITENASITENAS Penelitian ini bertujuan untuk mengembangkan sistem deteksi cyberbullying bahasa Sunda menggunakan gabungan model stemming dan hybrid learning. PenelitiPenelitian ini bertujuan untuk mengembangkan sistem deteksi cyberbullying bahasa Sunda menggunakan gabungan model stemming dan hybrid learning. Peneliti
PLBPLB Untuk penelitian selanjutnya, disarankan mengeksplorasi penggunaan algoritma pembelajaran mendalam, melakukan seleksi fitur untuk menyaring fitur kurangUntuk penelitian selanjutnya, disarankan mengeksplorasi penggunaan algoritma pembelajaran mendalam, melakukan seleksi fitur untuk menyaring fitur kurang
UNDHIRA BALIUNDHIRA BALI Hasil ini dapat menjadi dasar untuk pengembangan metode yang lebih baik di masa depan menggunakan teknik Deep Learning guna meningkatkan akurasi pengenalanHasil ini dapat menjadi dasar untuk pengembangan metode yang lebih baik di masa depan menggunakan teknik Deep Learning guna meningkatkan akurasi pengenalan
Useful /
PLBPLB Model ini menggabungkan kekuatan CNN dalam ekstraksi fitur spasial dan LSTM dalam analisis sekuensial temporal. Hasil menunjukkan performa model yang sangatModel ini menggabungkan kekuatan CNN dalam ekstraksi fitur spasial dan LSTM dalam analisis sekuensial temporal. Hasil menunjukkan performa model yang sangat
UNSURUNSUR Penelitian dilakukan di Desa Bojong, Kecamatan Karang Tengah, Kabupaten Cianjur pada Maret-Juni 2024 menggunakan Rancangan Acak Kelompok (RAK) FaktorialPenelitian dilakukan di Desa Bojong, Kecamatan Karang Tengah, Kabupaten Cianjur pada Maret-Juni 2024 menggunakan Rancangan Acak Kelompok (RAK) Faktorial
PLBPLB Topik-topik yang dihasilkan memiliki nilai koherensi disekitar angka 0. 6 hingga 1 dan nilai diversity sebesar 0. 95838. Hal tersebut menunjukkan topikTopik-topik yang dihasilkan memiliki nilai koherensi disekitar angka 0. 6 hingga 1 dan nilai diversity sebesar 0. 95838. Hal tersebut menunjukkan topik
PLBPLB Dengan pendekatan eksplanatori dan fokus pada data kuantitatif, data penelitian diperoleh dari mahasiswa aktif yang memenuhi kriteria tertentu, yang kemudianDengan pendekatan eksplanatori dan fokus pada data kuantitatif, data penelitian diperoleh dari mahasiswa aktif yang memenuhi kriteria tertentu, yang kemudian