Implementasi Algoritma convolutional Neural Network(CNN) dengan Arsitektur MobileNetV2 pada Klasifikasi Jenis Buah

arifin, miftah hanif (2025) Implementasi Algoritma convolutional Neural Network(CNN) dengan Arsitektur MobileNetV2 pada Klasifikasi Jenis Buah. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (226kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (194kB) | Preview
Preview	Text (LEMBAR PERNYATAAN) 3_skbebasplagiarism.pdf Download (425kB) | Preview
Preview	Text (DAFTARISI) 4_daftarisi.pdf Download (401kB) | Preview
Preview	Text (BAB1) 5_bab1.pdf Download (399kB) | Preview
	Text (BAB2) 6_bab2.pdf Restricted to Registered users only Download (989kB) | Request a copy
	Text (BAB3) 7_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB4) 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB5) 9_bab5.pdf Restricted to Registered users only Download (276kB) | Request a copy
	Text (DAFTARPUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (227kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis buah berbasis citra digital menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2, yang dikenal efisien dan ringan untuk perangkat terbatas seperti smartphone. Dataset yang digunakan terdiri dari 500 citra lima jenis buah, yaitu apel, pisang, nanas, jeruk, dan buah naga, yang kemudian diperluas menjadi 2.441 citra melalui proses augmentasi. Metodologi yang digunakan mengacu pada tahapan CRISP-DM, meliputi data preparation dengan teknik cropping, resizing, augmentasi, normalisasi, dan one-hot encoding. Hasil pengujian menunjukkan bahwa model MobileNetV2 mampu memberikan performa terbaik, dengan akurasi mencapai 100%, presisi 100%, recall 100%, dan f1-score 100%. Evaluasi menggunakan confusion matrix memperkuat keandalan model dalam mengklasifikasikan lima kelas buah dengan akurasi tinggi dan kesalahan klasifikasi yang sangat minim. Sistem ini kemudian berhasil di-deploy menggunakan framework Flask dan dapat berjalan secara real-time melalui antarmuka web. Hasil penelitian ini menunjukkan bahwa MobileNetV2 sangat efektif untuk tugas klasifikasi buah, dan dapat menjadi solusi praktis dalam berbagai bidang seperti pertanian digital, edukasi, dan perdagangan. Kata kunci: Klasifikasi Buah, Convolutional Neural Network, MobileNetV2, Citra Digital, CRISP-DM.

Actions (login required)

View Item