ANGGRAENI, Laola Nurlita (2025) Deteksi dan Klasifikasi Kerusakan Mekanis pada Buah Pisang Cavendish dengan Metode Convolutional Neural Network dan Support Vector Machine. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Download (169kB)
	PDF (Legalitas) LEGALITAS-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Restricted to Repository staff only Download (568kB)
	PDF (Abstrak) ABSTRAK-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Download (250kB)
	PDF (BabI) BAB-I-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Restricted to Repository staff only until 14 July 2026. Download (212kB)
	PDF (BabII) BAB-II-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Restricted to Repository staff only until 14 July 2026. Download (496kB)
	PDF (BabIII) BAB-III-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Restricted to Repository staff only until 14 July 2026. Download (432kB)
	PDF (BabIV) BAB-IV-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB-V-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Download (207kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Download (234kB)
	PDF (Lampiran) LAMPIRAN-Laola Nurlita Anggraeni-A1C021043-Skripsi-2025.pdf Restricted to Repository staff only Download (511kB)

Abstract

Pisang Cavendish merupakan salah satu komoditas dalam sektor pertanian yang mempunyai banyak nilai komersial yang menjanjikan. Buah pisang sangat rentan terhadap kerusakan, terutama pada kulitnya yang mudah rusak (perishable). Salah satu kerusakan yang sering terjadi yaitu kerusakan mekanis. Kerusakan mekanis merupakan kerusakan yang terjadi karena adanya lecet, terkelupas dan memar. Pendeteksian kerusakan mekanis sangat diperlukan guna meminimalisir adanya kerugian. Pemanfaatan pengolahan citra digital memungkinkan mesin komputer mengenali citra buah layaknya manusia terutama dalam menentukan tingkat kerusakan buah. Suatu teknologi membutuhkan sistem untuk dapat mendeteksi dan mengklasifikasikan tingkat kerusakan mekanis pada buah. Metode CNN dan SVM dapat diterapkan untuk mendeteksi dan mengklasifikasikan kerusakan mekanis pada buah pisang Cavendish. Penelitian ini bertujuan untuk 1) Mengetahui dampak kerusakan mekanis akibat benturan pendulum terhadap luas memar dan susut bobot pisang. 2) Mengetahui kinerja metode CNN dan SVM dalam mendeteksi dan mengklasifikasikan kerusakan memar pada buah pisang Cavendish. Penelitian dilaksanakan di Laboratorium Pusat Riset Teknologi Tepat Guna Badan Riset dan Inovasi Nasional (BRIN) Subang, Jawa Barat dari bulan November 2024 sampai April 2025. Sebanyak 64 buah pisang Cavendish tanpa cacat permukaan dipilih dari sampel yang telah disiapkan sebelumnya untuk dibagi menjadi 4 kelompok perlakuan. Metode pengambilan sampel penelitian dilakukan dengan melakukan percobaan benturan pendulum dari ketinggian 30 cm pada bagian tengah pisang Cavendish dengan variasi berat pendulum 50 gram, 100 gram, dan 150 gram. Kemudian pisang disimpan selama 3 hari pada suhu ruang (±24℃) dan pengambilan data citra, luas memar dan berat pisang dilakukan di 0 jam, 24 jam, 48 jam, dan 72 jam. Variabel yang diukur adalah luas memar, susut bobot, dan perubahan nilai rata-rata RGB. Data citra yang diperoleh dianalisis menggunakan algoritma CNN dan data luas memar, susut bobot, dan nilai rata-rata RGB dianalisis menggunakan algoritma SVM untuk deteksi dan klasifikasi kerusakan yang terjadi pada kelompok perlakuan. Hasil penelitian menunjukkan bahwa kerusakan mekanis akibat benturan bola pendulum berpengaruh signifikan terhadap luas memar pisang Cavendish, dimana energi benturan yang lebih besar menghasilkan memar lebih luas selama 72 jam penyimpanan. Sebaliknya, perbedaan berat pendulum tidak berpengaruh signifikan terhadap susut bobot, yang lebih mempengaruhi peningkatan persentase susut bobot oleh sifat klimaterik pisang dan aktivitas metabolisme pascapanen. Dari kedua metode yang diujikan, SVM memiliki performa yang lebih optimal karena mampu mengolah data numerik yang secara langsung merepresentasikan kondisi pisang tidak memar dan pisang memar Kinerja metode SVM memperoleh akurasi mencapai 94% dan memiliki nilai rata-rata macro precision sebesar 94%, recall sebesar 91%, dan F1-score sebesar 92%. Sedangkan metode CNN menghasilkan akurasi sebesar 82% dengan nilai rata-rata macro precision sebesar 83%, recall sebesar 82%, dan F1-score sebesar 82%

Actions (login required)

View Item