ADiTAMA, Noer (2021) Klasifikasi Kualitas Beras Dengan Citra Digital Menggunakan Metode Convolutional Neural Network (Cnn) Berbasis Android. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Noer Aditama-H1C013039-Skripsi-2021.pdf Download (374kB)
	PDF (Legalitas) LEGALITAS-Noer Aditama-H1C013039-Skripsi-2021.pdf Restricted to Repository staff only Download (927kB)
	PDF (Abstrak) ABSTRAK-Noer Aditama-H1C013039-Skripsi-2021.pdf Download (374kB)
	PDF (BabI) BAB-I-Noer Aditama-H1C013039-Skripsi-2021.pdf Restricted to Repository staff only Download (853kB)
	PDF (BabII) BAB-II-Noer Aditama-H1C013039-Skripsi-2021.pdf Restricted to Repository staff only Download (846kB)
	PDF (BabIII) BAB-III-Noer Aditama-H1C013039-Skripsi-2021.pdf Restricted to Repository staff only Download (601kB)
	PDF (BabIV) BAB-IV-Noer Aditama-H1C013039-Skripsi-2021.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB-V-Noer Aditama-H1C013039-Skripsi-2021.pdf Restricted to Repository staff only Download (899kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Noer Aditama-H1C013039-Skripsi-2021.pdf Download (397kB)
	PDF (Lampiran) LAMPIRAN-Noer Aditama-H1C013039-Skripsi-2021.pdf Restricted to Repository staff only Download (843kB)

Abstract

Beras merupakan makanan pokok bagi masyarakat Indonesia. Maka dari itu beras yang beredar di pasaran harus memiliki standar dan kualitas yang baik. Standar pengujian kualitas beras dapat dilakukan secara laboratorium dan visual. Namun pengujian tersebut hanya bisa dilakukan oleh orang yang berpengalaman dan alat yang mumpuni. Untuk mempermudah hal tersebut maka perlu adanya aplikasi pada smartphone untuk mendeteksi kualitas beras. Dalam hal ini penulis membuat penelitian tentang klasifikasi kualitas beras menggunakan deep learning berbasis android agar mudah digunakan menggunakan smartphone. Dalam deep learning terdapat Convolution Neural Network (CNN) yang memiliki berbagai macam arsitektur yang dapat digunakan untuk melakukan klasifikasi kualitas beras berdasarkan citranya. Jenis arsitektur CNN yang digunakan pada penelitian ini adalah VGG-16Net dan MobileNetV1. Kedua arsitektur tersebut digunakan untuk melakukan pelatihan dan pengujian pada infrastruktur Google Colaboratory. Dari hasil pelatihan tersebut kemudian disimpan dalam file TensorFow Lite dan diimpor ke dalam project pada Android Studio agar dapat diimplementasikan pada aplikasi android. Berdasarkan hasil pelatihan pada Google Colaboratory dengan dataset kualitas beras pada arsitektur VGG-16Net dan MobilenNetv1 diperoleh tingkat akurasi pelatihan 1.0 . Selian itu juga dilakukan pengujian pada perangkat android menggunakan aplikasi “RqS” dengan objek dalam kondisi berada di sebuah wadah didapatkan tingkat keberhasilan dari arsitektur VGG-16Net dataset with flashlight uji with flashlight sebesar 78,89% dan dengan dataset without flashlight uji without flashlight 50% sedangkan untuk arsitektur MobileNet dataset with flashlight uji with flashlight sebesar 95,56% dan dengan dataset without flashlight uji without flashlight 92,22%.

Actions (login required)

View Item