HIDARLAN, Vidi Fitriansyah (2020) Rancang Bangun Klasifikasi Varietas Beras berdasarkan Citra Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Android. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-2020.pdf Download (177kB)
	PDF (Legalitas) LEGALITAS-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (989kB)
	PDF (Abstrak) ABSTRAK-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-2020.pdf Download (142kB)
	PDF (BabI) BAB I-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (254kB)
	PDF (BabII) BAB Il-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabIII) BAB Ill-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (744kB)
	PDF (BabIV) BAB IV-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB V-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (248kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-FT-2020.pdf Download (359kB)
	PDF (Lampiran) LAMPIRAN-Vidi Fitriansyah Hidarlan-H1A016042-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (2MB)

Abstract

CNN memiliki berbagai macam arsitektur yang dapat digunakan untuk melakukan klasifikasi varietas beras berdasarkan citranya. Agar mempermudah pengguna untuk melakukan klasifikasi tersebut maka arsitektur CNN juga perluditerapkan pada perangkat Android yang saat ini banyak digunakan. Jenis arsitektur CNN yang digunakan pada klasifikasi varietas beras ini adalah VGG16Net dan MobileNet dengan meggunakan metode ekstraksi fitur(feature extraction). Kedua arsitektur tersebut digunakan untuk melakukan pelatihan dan pengujian pada infrastruktur Google Colaboratory. Dari data hasil pelatihan tersebut kemudian disimpan dan dikonversi ke dalam bentuk fileTensorFlow Lite dan diimpor ke dalam project pada Android Studio agar dapat diimplementasikan pada aplikasi Android. Berdasarkan hasil pelatihan dan pengujian pada Google Colaboratory dengan dataset citra varietas beras yang berukuran 224x224 piksel didapat bahwapada arsitektur VGG-16Net dengan dataset kualitas baik diperoleh tingkat akurasi pelatihan sebesar 1.0 dan akurasi validasi sebesar 0.9556 sedangkan pada MobileNet tingkat akurasinya sama namun validasinya lebih rendah yaitu sebesar0.9333. Pada dataset yang buruk dihasilkan nilai akurasi pelatihan dan validasiyang sama sebesar 1.0 pada arsitektur VGG-16Net akan tetapi pada MobileNetV1 hanya mencapai 0.6889 akurasi validasinya. Selanjutnya dilakukan pengujian darikedua arsitektur tersebut pada perangkat Android. Hasil pengujian arsitekturVGG-16Net pada kondisi beras disebar di alas hitam menggunakan flashlight padaperangkat Android menghasilkan tingkat akurasi sebesar 75,56% sedangkan padaMobileNetV1 sebesar 95,56% karena model arsitektur VGG-16Net tidak cocokdikonversi ke TensorFlow Lite. Kemudian pengujian pada arsitektur MobileNetV1 dilanjutkan menggunakan cahaya ruangan yang menghasilkan tingkat akurasi71,11%. Selain itu dilakukan pengujian dengan kondisi beras yang dibungkus plastik bening baik menggunakan flashlight maupun cahaya ruangan. tingkatakurasi yang diperoleh pada kondisi beras dibungkus dan menggunakan cahaya flashlight sebesar 95,56% dan yang tanpa menggunakan flashlight sebesar97,78%. Faktor yang mempengaruhi perbedaan hasil pengujian tersebut adalah jarak obyek yang dideteksi, kondisi pencahayaan, dan kualitas gambar.

Actions (login required)

View Item