Implementasi Convolutional Neural Network dalam klasifikasi tingkat kematangan buah alpukat

Soniawan, Soniawan (2025) Implementasi Convolutional Neural Network dalam klasifikasi tingkat kematangan buah alpukat. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (183kB) | Preview
Preview	Text 2_abstrak.pdf Download (241kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (291kB) | Preview
Preview	Text 4_daftarisi.pdf Download (252kB) | Preview
Preview	Text 5_bab1.pdf Download (326kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (466kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (336kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (695kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (229kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (210kB) | Request a copy

Abstract

Alpukat merupakan salah satu komoditas buah yang populer di Indonesia karena memiliki banyak manfaat bagi kesehatan. Penentuan tingkat kematangan buah alpukat menjadi hal yang penting karena berpengaruh terhadap umur simpan dan kualitas buahnya. Umumnya, penentuan kematangan alpukat dilakukan secara manual berdasarkan penampilan fisik seperti warna kulit atau tekstur, hal ini bersifat subjektif dan rentan dengan kesalahan. Penelitian terdahulu telah menggunakan metode K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) untuk klasifikasi tingkat kematangan alpukat, namun metode tersebut masih memerlukan proses ekstraksi fitur secara manual yang dapat mempengaruhi akurasi model. Penelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) dengan arsitektur DenseNet121 yang memiliki kemampuan ekstraksi fitur secara otomatis untuk klasifikasi tingkat kematangan buah alpukat. Dataset yang digunakan berasal dari Mendeley Data yang berisi citra alpukat hass dengan tiga kelas yaitu mentah, matang, dan terlalu matang. Pengujian dilakukan dengan empat skenario rasio pembagian data (60:40, 70:30, 80:20, 90:10). Hasil menunjukkan bahwa model memperoleh performa yang stabil pada setiap skenario dengan nilai accuracy antara 90,44% hingga 94,30%. Peningkatan rasio data latih berdampak positif terhadap performa model, dengan hasil terbaik didapatkan pada rasio 90:10 dengan nilai accuracy sebesar 94,30%.

Actions (login required)

View Item