DETEKSI KEMATANGAN BUAH NANAS MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR VISUAL GEOMETRI GROUP (VGG) 16

DEMILA, 1957041006 (2023) DETEKSI KEMATANGAN BUAH NANAS MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR VISUAL GEOMETRI GROUP (VGG) 16. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM , UNIVERSITAS LAMPUNG.

Preview	File PDF SKRIPSI FULL.pdf Download (4Mb) | Preview
	File PDF ABSTRAK.pdf Restricted to Hanya staf Download (3908Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (4Mb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Telah direalisasikan sebuah sistem identifikasi tingkat kematangan buah nanas yang dilakukan secara non-destruktif berbasis convolutional neural network (CNN). Penelitian ini dilakukan dengan tujuan untuk membuat sistem yang dapat mendeteksi identifikasi tingkat kematangan buah nanas. Convolutional neural network (CNN) digunakan untuk mengklasifikasi kematangan buah nanas dengan melewati arsitektur yang telah dirancang, pada penelitian ini menggunakan model arsitektur Visual Geometry Group (VGG) 16. Melakukan pelatihan dataset buah nanas (50% data latih, 20% data validasi dan 30% data uji) dengan menggunakan model arsitektur VGG16. Input citra dari CNN berupa buah nanas yang diambil dari hasil tangkapan kamera/webcam untuk dideteksi tingkat kematangannya. Pada penelitian ini menghasilkan sebuah sistem deteksi kematangan buah nanas yang terdiri dari perangkat lunak dan perangkat keras yang mampu mengidentifikasi tingkat kematangan buah nanas dengan akurasi pelatihan dataset sebesar 96% dan pada hasil akurasi sistem deteksi tingkat kematangan buah nanas sebesar 100%. Kata kunci: Buah nanas, CNN, VGG16, citra, python abstract A system for identifying the ripeness level of pineapple fruit has been realized which is carried out non-destructively based on a convolutional neural network (CNN). This research was carried out with the aim of creating a system that can identify the ripeness level of pineapple fruit. Convolutional neural network (CNN) is used to classify the ripeness of pineapple fruit by passing through the architecture that has been designed, in this study using the Visual Geometry Group (VGG) 16 architecture model. Carrying out training on the pineapple fruit dataset (50% training data, 20% validation data and 30 % test data) using the VGG16 architectural model. The input image from CNN is a pineapple taken from a camera/webcam capture to detect its ripeness level. This research produces a pineapple ripeness detection system consisting of software and hardware that is capable of identifying pineapple ripeness levels with a training dataset accuracy of 96% and the accuracy of the pineapple ripeness level detection system is 100%. Keywords: pineapple, CNN, VGG16, image, python

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika > 530 Fisika
Program Studi:	FAKULTAS MIPA > Prodi Fisika
Pengguna Deposit:	2308215584 . Digilib
Date Deposited:	22 Dec 2023 02:26
Terakhir diubah:	22 Dec 2023 02:26
URI:	http://digilib.unila.ac.id/id/eprint/77877

Actions (login required)

Lihat Karya Akhir