HUMAIROH, SHERINA (2023) RANCANG BANGUN ALAT KLASIFIKASI KEMATANGAN DAN UKURAN BUAH NANAS MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS ANDROID. Other thesis, UPT PERPUSTAKAAN POLSRI.
|
Text
File Halaman Depan (Cover).pdf Download (641kB) | Preview |
|
|
Text (BAB I PENDAHULUAN)
File BAB I.pdf Download (106kB) | Preview |
|
|
Text (BAB II TINJAUAN PUSTAKA)
File BAB II.pdf Download (913kB) | Preview |
|
![[img]](http://eprints.polsri.ac.id/style/images/fileicons/text.png) |
Text (BAB III METODELOGI PENELITIAN)
File BAB III.pdf Restricted to Repository staff only Download (374kB) | Request a copy |
|
|
Text (BAB IV HASIL DAN PEMBAHASAN)
File BAB IV.pdf Restricted to Repository staff only Download (3MB) | Request a copy |
|
|
Text (BAB V KESIMPULAN DAN SARAN)
File BAB V.pdf Download (38kB) | Preview |
|
|
Text (DAFTAR PUSTAKA)
File Daftar Pustaka.pdf Download (120kB) | Preview |
|
|
Text
File Lampiran.pdf Download (1MB) | Preview |
Abstract
Sumatera Selatan merupakan wilayah produksi buah nanas paling tinggi di tahun 2021. Dalam proses penjualan buah nanas bergantung pada ukuran dan kematangan. Para petani mengklasifikasikan buah nanas secara subjektif dengan kedua mata, sehingga menyebabkan proses klasifikasi tidak efektif. Teknologi machine learning berkembang sangat pesat, salah satunya deep learning yang menggunakan syaraf tiruan (neural network) yang sangat dalam (deep) untuk mempelajari representasi fitur dari data secara otomatis. Penelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) untuk mengklasifikasi kematangan dan ukuran buah nanas agar proses pemilahan hasil produksi buah nanas menjadi efektif dan akurat. Terdapat 6 label klasifikasi yaitu, nanas besar matang, besar setengah matang, sedang matang, sedang setengah matang, kecil matang dan kecil setengah matang. Digunakan Raspberry pi 3B+ dan kamera pi sebagai alat pengambilan citra buah. Didapatkan hasil akurasi proses training sebesar 99,4 % dan akurasi proses validasi sebesar 92,4% dengan dataset sebanyak 275 data untuk setiap label. Dataset digunakan 80% sebagai data training dan 20% data validasi. Sedangkan untuk pengujian testing pada alat digunakan 90 data uji dengan hasil akurasi sebesar 90,83%. Dan hasil klasifikasi akan tampil pada aplikasi android termasuk jumlah stok nanas yang telah dideteksi, sehingga dapat mempermudah pekerjaan petani dalam menyortir buah nanas.
| Item Type: | Thesis (Other) |
|---|---|
| Uncontrolled Keywords: | Klasifikasi, Buah Nanas, Convolutional Neural Network, Android |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Electronic Engineering > Undergraduate Theses |
| Depositing User: | Mr Bambang Anthony |
| Date Deposited: | 18 Feb 2025 08:41 |
| Last Modified: | 18 Feb 2025 08:41 |
| URI: | http://eprints.polsri.ac.id/id/eprint/15947 |
Actions (login required)
 |
View Item |
