Khomsyat, Handal (2025) Penerapan algoritma Convolutional Neural Network dengan arsitektur EfficientNetB2 untuk klasifikasi buah beracun. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text
1_cover.pdf Download (299kB) | Preview |
|
|
Text
2_abstrak.pdf Download (578kB) | Preview |
|
|
Text
3_skbebasplagiarism.pdf Download (528kB) | Preview |
|
|
Text
4_daftarisi.pdf Download (634kB) | Preview |
|
|
Text
5_bab1.pdf Download (881kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text
6_bab2.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text
7_bab3.pdf Restricted to Registered users only Download (859kB) | Request a copy |
|
|
Text
8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text
9_bab5.pdf Restricted to Registered users only Download (610kB) | Request a copy |
|
|
Text
10_daftarpustaka.pdf Restricted to Registered users only Download (493kB) | Request a copy |
Abstract
Kasus keracunan akibat salah mengonsumsi buah beracun di Indonesia masih sering terjadi akibat rendahnya pengetahuan masyarakat dalam mengenali bahayanya. Aplikasi identifikasi tanaman yang ada saat ini umumnya hanya mampu mengenali spesies tanpa memberikan peringatan spesifik mengenai toksisitasnya sehingga menyisakan celah keamanan yang signifikan bagi pengguna. Untuk mengatasi masalah ini, penelitian ini bertujuan mengembangkan sebuah sistem klasifikasi citra otomatis menggunakan Convolutional Neural Network (CNN) untuk membantu identifikasi lima jenis buah beracun. Metode yang digunakan adalah transfer learning dengan mengadaptasi arsitektur EfficientNetB2 yang dilatih pada dataset citra yang relevan. Proses pelatihan melibatkan strategi dua tahap, yaitu pelatihan awal dan fine-tuning, serta diuji pada beberapa skenario pembagian data untuk menemukan konfigurasi terbaik. Hasil penelitian menunjukkan bahwa konfigurasi model terbaik, yang menggunakan rasio data 80:10:10 (latih:validasi:uji), berhasil mencapai kinerja yang sangat tinggi dengan akurasi 94% dan recall 0.95 setelah melalui tahap fine-tuning. Tingginya nilai recall menjadi prioritas karena meminimalkan risiko kesalahan identifikasi buah beracun. Temuan ini membuktikan bahwa pendekatan CNN dengan transfer learning merupakan solusi yang efektif dan andal untuk mengatasi masalah identifikasi buah beracun.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Additional Information: | tidak ada lampiran |
| Uncontrolled Keywords: | Klasifikasi Citra; Buah Beracun; Convolutional Neural Network; CNN; Deep Learning; Transfer Learning EfficientNetB2; Fine-Tuning; CRISP-DM; Identifikasi Tanaman |
| Subjects: | Special Computer Methods > Artificial Intelligence Special Computer Methods > Computer Vision Specific Topics of Plants > Fruits Plants Pharmacology and Therapeutics > Toxicology |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Handal Khomsyat |
| Date Deposited: | 31 Aug 2025 16:08 |
| Last Modified: | 31 Aug 2025 16:08 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/116608 |
Actions (login required)
 |
View Item |
