SALSABILLAH, FARHAH (2025) IMPLEMENTASI ARSITEKTUR EFFICIENTNETB1 PADA CONVOLUTIONAL NEURAL NETWORK UNTUK REKOMENDASI RESEP MAKANAN KHAS SUMATERA SELATAN. Diploma thesis, Politeknik Negeri Sriwijaya.
|
Text (COVER)
COVER.pdf - Published Version Download (1MB) | Preview |
|
|
Text (ABSTRAK)
ABSTRAK.pdf - Published Version Download (278kB) | Preview |
|
![[img]](http://eprints.polsri.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
BAB I.pdf - Published Version Restricted to Repository staff only Download (351kB) |
|
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Repository staff only Download (552kB) |
|
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Repository staff only Download (627kB) |
|
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB) |
|
|
Text (BAB V)
BAB V.pdf - Published Version Restricted to Repository staff only Download (265kB) |
|
|
Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (234kB) |
|
|
Text (LAMPIRAN)
LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (11MB) |
Abstract
Sistem klasifikasi bahan makanan berbasis visual yang terintegrasi dengan rekomendasi resep daerah masih jarang dikembangkan. Hal ini terutama berlaku dalam konteks kuliner lokal Sumatera Selatan. Penelitian ini bertujuan membangun sistem cerdas yang mampu mengenali citra bahan makanan mentah. Sistem juga dirancang untuk menghasilkan rekomendasi resep secara otomatis berdasarkan bahan yang terdeteksi. Arsitektur yang digunakan adalah Convolutional Neural Network (CNN) EfficientNetB1 untuk klasifikasi gambar. Sedangkan penyusunan resep dilakukan oleh model Large Language Model (LLM) DeepSeek-V3 melalui pemanggilan API. Model CNN dilatih menggunakan transfer learning dengan delapan kelas bahan makanan. Aplikasi diimplementasikan dalam bentuk web interaktif bernama DapoerKito, yang memungkinkan pengguna mengunggah gambar, menerima hasil klasifikasi, dan memperoleh resep secara instan. Hasil pengujian menunjukkan akurasi pengujian sebesar 98%, dengan rata-rata precision 98,23%, recall 98,0%, dan F1-score 98,11%. Capaian ini menunjukkan bahwa sistem memiliki performa klasifikasi yang tinggi dan stabil, serta membuktikan bahwa integrasi visi komputer dan bahasa alami dapat mendukung pelestarian kuliner lokal melalui platform AI yang mudah digunakan.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Convolutional Neural Network, EffiecientNetB1, Klasifikasi Gambar Makanan, Rekomendasi Resep, Large Language Model |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Telecommunication Engineering > Undergraduate Theses |
| Depositing User: | Pustaka Teknik Elektro |
| Date Deposited: | 08 Sep 2025 06:14 |
| Last Modified: | 08 Sep 2025 06:14 |
| URI: | http://eprints.polsri.ac.id/id/eprint/19853 |
Actions (login required)
 |
View Item |
