Klasifikasi Citra jenis beras dengan Algoritma Convolutional Neural Network (CNN) menggunakan Arsitektur MobileNetV2

Sidik, Elman (2025) Klasifikasi Citra jenis beras dengan Algoritma Convolutional Neural Network (CNN) menggunakan Arsitektur MobileNetV2. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (258kB) | Preview
Preview	Text 2_abstrak.pdf Download (296kB) | Preview
Preview	Text 3_suratpernyataankaryasendiri.pdf Download (2MB) | Preview
Preview	Text 4_daftarisi.pdf Download (292kB) | Preview
Preview	Text 5_bab1.pdf Download (471kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (619kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (496kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (293kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (272kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Kemiripan visual antara beberapa jenis beras, seperti beras mentik susu putih dengan beras ketan putih, serta beras hitam dengan beras ketan hitam, sering kali menyulitkan proses identifikasi secara manual. Kondisi ini dapat menyebabkan kesalahan dalam distribusi, pengemasan, hingga konsumsi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra jenis beras menggunakan arsitektur Convolutional Neural Network (CNN), khususnya MobileNetV2, untuk meningkatkan akurasi dan efisiensi proses klasifikasi. Dataset terdiri dari enam jenis beras dengan total 600 citra asli yang diperoleh melalui kamera smartphone, kemudian diperluas menjadi 4.200 citra melalui proses augmentasi. Model dilatih menggunakan tiga skenario pembagian data (60:20:20, 70:20:10, dan 80:10:10) dengan konfigurasi hyperparameter berupa 50 epoch, batch size 32, dan learning rate 0,001. Evaluasi kinerja dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil terbaik diperoleh pada skenario 70:20:10 dengan akurasi mencapai 96,19%, serta nilai precision, recall, dan F1-score di atas 0,95 pada seluruh kelas. Dengan performa yang tinggi dan stabil, model ini terbukti cukup efektif dalam membedakan jenis-jenis beras yang memiliki kemiripan visual. Model yang telah dilatih kemudian diimplementasikan ke dalam aplikasi mobile berbasis Flutter dan TensorFlow Lite, sehingga memungkinkan proses klasifikasi dilakukan secara otomatis dan real-time melalui kamera smartphone.

Actions (login required)

View Item