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 /
STMIKJAYAKARTASTMIKJAYAKARTA 064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20. Citra diproses melalui tahapan resizing, normalisasi, dan augmentasi untuk meningkatkan064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20. Citra diproses melalui tahapan resizing, normalisasi, dan augmentasi untuk meningkatkan
UMIUMI Dengan menggunakan metode studi kasus multi-perusahaan, penelitian ini melibatkan delapan UKM ritel di tiga kota besar Indonesia. Data dikumpulkan melaluiDengan menggunakan metode studi kasus multi-perusahaan, penelitian ini melibatkan delapan UKM ritel di tiga kota besar Indonesia. Data dikumpulkan melalui
UMIUMI Modal manusia merupakan faktor kunci dalam mewujudkan visi dan misi organisasi. Untuk memastikan kinerja optimal, output karyawan harus dievaluasi secaraModal manusia merupakan faktor kunci dalam mewujudkan visi dan misi organisasi. Untuk memastikan kinerja optimal, output karyawan harus dievaluasi secara
MEDIAPUBLIKASIMEDIAPUBLIKASI Pengamatan dilakukan dengan cara dengan cara menyusuri garis transek sepanjang 100 m dengan jarak pandang 2,5 m ke kiri dan kanan. Titik lokasi penelitianPengamatan dilakukan dengan cara dengan cara menyusuri garis transek sepanjang 100 m dengan jarak pandang 2,5 m ke kiri dan kanan. Titik lokasi penelitian
MEDIAPUBLIKASIMEDIAPUBLIKASI Kredit umumnya digunakan untuk memfasilitasi bisnis dan memainkan peran yang sangat penting dalam kegiatan ekonomi Indonesia. Sebagai lembaga keuanganKredit umumnya digunakan untuk memfasilitasi bisnis dan memainkan peran yang sangat penting dalam kegiatan ekonomi Indonesia. Sebagai lembaga keuangan
UMIUMI Pemetaan kebutuhan sistem informasi strategis sekolah yang inline dengan rencana strategis sekolah berhasil dilakukan sesuai dengan tahapan (kerangka Kerja)Pemetaan kebutuhan sistem informasi strategis sekolah yang inline dengan rencana strategis sekolah berhasil dilakukan sesuai dengan tahapan (kerangka Kerja)
UMIUMI Hasil UAT menunjukkan bahwa responden “sangat setuju bahwa sistem ini mudah digunakan, informatif, serta bermanfaat dalam memberikan pemahaman awal tentangHasil UAT menunjukkan bahwa responden “sangat setuju bahwa sistem ini mudah digunakan, informatif, serta bermanfaat dalam memberikan pemahaman awal tentang
UIN Ar-RaniryUIN Ar-Raniry Dataset terdiri dari gambar-gambar tiga kelas utama anggrek: Anggrek Bulan (Phalaenopsis), Anggrek Dendrobium, dan Anggrek Tanah (Paphiopedilum), denganDataset terdiri dari gambar-gambar tiga kelas utama anggrek: Anggrek Bulan (Phalaenopsis), Anggrek Dendrobium, dan Anggrek Tanah (Paphiopedilum), dengan
Useful /
STMIKJAYAKARTASTMIKJAYAKARTA Hasil analisis menunjukkan bahwa terdapat tiga kluster yang berbeda, masing-masing dengan karakteristik kesehatan yang unik. Pengujian kluster dilakukanHasil analisis menunjukkan bahwa terdapat tiga kluster yang berbeda, masing-masing dengan karakteristik kesehatan yang unik. Pengujian kluster dilakukan
STMIKJAYAKARTASTMIKJAYAKARTA Allteq Koji Indonesia perlu mengelola kinerja karyawan secara efektif, fleksibel, dan berbasis informasi. Sistem informasi e-Kinerja muncul sebagai solusiAllteq Koji Indonesia perlu mengelola kinerja karyawan secara efektif, fleksibel, dan berbasis informasi. Sistem informasi e-Kinerja muncul sebagai solusi
UIN Ar-RaniryUIN Ar-Raniry Data ini mencakup kesejahteraan yang mereka peroleh selama transisi. Dengan menggunakan php, html, dan yang disebutkan di atas, aplikasi dikembangkan sesuaiData ini mencakup kesejahteraan yang mereka peroleh selama transisi. Dengan menggunakan php, html, dan yang disebutkan di atas, aplikasi dikembangkan sesuai
UIN Ar-RaniryUIN Ar-Raniry Pada STMIK Dharma Wacana, pemilihan mahasiswa terbaik masih dilakukan secara manual, yang memakan waktu lama dan memungkinkan terjadinya kesalahan dalamPada STMIK Dharma Wacana, pemilihan mahasiswa terbaik masih dilakukan secara manual, yang memakan waktu lama dan memungkinkan terjadinya kesalahan dalam