AKMAL, Fauzan (2024) Analisis Performa Metode Triple Deep Convolutional Neural Network (TDCNN) dan Metode Convolutional Neural Network (CNN). Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Download (71kB)
	PDF (Legalitas) LEGALITAS-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Restricted to Repository staff only Download (378kB)
	PDF (Abstrak) ABSTRAK-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Download (65kB)
	PDF (BabI) BAB-I-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Restricted to Repository staff only until 9 August 2025. Download (75kB)
	PDF (BabII) BAB-II-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Restricted to Repository staff only until 9 August 2025. Download (627kB)
	PDF (BabIII) BAB-III-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Restricted to Repository staff only until 9 August 2025. Download (135kB)
	PDF (BabIV) BAB-IV-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB-V-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Download (62kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Fauzan Akmal-H1D020086-Skripsi-2024.pdf Restricted to Repository staff only Download (63kB)

Abstract

Klasifikasi biji kopi merupakan metode untuk memisahkan karakteristik biji kopi yang berbeda dan mengelompokkannya ke dalam kelompok-kelompok tertentu. Dalam penelitian kali ini, karakteristik yang dikelompokkan berdasarkan kelembaban biji kopi. Klasifikasi biji kopi secara manual dirasa sulit untuk mengidentifikasi seberapa banyak kelembaban yang dimiliki oleh biji kopi. Penggunaan machine learning seperti VGG16, InceptionV3, dan ResNet-50 menjadi topik yang populer dalam penyelesaian masalah klasifikasi citra atau gambar. Namun penggunaan deep learning juga sudah mulai ramai diperbincangkan di era saat ini. Maka dari itu, penulis ingn melakukan analisis perbandingan performa serta kinerja komputasi untuk menilai mana diantara metode Convolutional Neural Network (CNN) yang digunakan secara individu dan metode Triple Deep Convolutional Neural Network (TDCNN) yang memiliki performa yang lebih baik pada studi kasus klasifikasi biji kopi berdasarkan kelembaban. Metodologi penelitian melibatkan pengumpulan dataset yang terdiri dari citra biji kopi dengan sudah dikelompokkan ke dalam lima kelas berdasarkan kelembabannya. Kemudian model dari TDCNN dan CNN dilatih menggunakan dataset ini untuk mengklasifikasikan biji kopi berdasarkan kelembabannya. Hasil eksperimen menunjukkan bahwa metode CNN dengan model InceptionV3 memiliki keunggulan lebih baik dalam tugas klasifikasi biji kopi berdasarkan kelembaban dibandingkan metode TDCNN maupun metode CNN dengan model lain, VGG16 dan ResNet-50. Model InceptionV3 dalam metode CNN mengungguli pada kinerja model (evaluasi performa, accuracy model, precision, recall, dan f1-score). Meskipun dari sisi kinerja komputasi diungguli oleh model VGG16 dalam metode CNN, namun tidak dapat dipungkiri bahwa InceptionV3 dalam metode CNN berada di posisi kedua setelah VGG16 dalam metode CNN. Hal tersebut semakin menegaskan kemampuan InceptionV3 sangat baik untuk tugas klasifikasi biji kopi berdasarkan kelembaban.

Actions (login required)

View Item