MUHAMMAD GHAZI MUHARAM Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S1) 2022

Skripsi

Perkembangan teknologi memberikan dampak positif pada banyak ruang lingkup, salah satunya adalah industri agrikultur yang membutuhkan adanya mesin untuk menunjang proses yang cepat dan konsisten dalam sirkulasi bisnis. Pengenalan citra merupakan salah satu bentuk implementasi visi komputer khususnya pada area deep learning dengan menggunakan CNN (Convolutional Neural Network) yang mampu memberikan kemampuan bagi komputer untuk bisa melakukan pekerjaan yang seharusnya dilakukan oleh manusia. Penelitian ini dilakukan untuk mendapatkan model CNN yang mampu memberikan performa paling baik dalam mengenali buahbuahan yang terdapat pada dataset Fruits-360 dan juga dataset yang terdiri dari buahbuahan lokal berupa Buah Kawis, Belimbing, Jeruk Purut, Mengkudu, dan Rumbia. Lima arsitektur CNN yang digunakan pada penelitian ini yaitu VGG-16, VGG-19, InceptionV3, ResNet-50 dan MobileNetV3-Large. Penelitian dilakukan dalam dua tahap yang mana pada tahap pertama dilakukan pada dataset Fruits-360 menggunakan arsitektur ResNet-50 yang menghasilkan nilai akurasi pengujian tertinggi yaitu 98,7% dan waktu prediksi yaitu 21,6 detik. Pada tahap kedua, konfigurasi arsitektur ResNet50 digunakan kembali pada dataset Fruits-360 yang telah digabungkan dengan buahbuahan lokal sebagai baseline model dan menghasilkan nilai akurasi 97,5% dan waktu prediksi selama 24,9 detik. Setelah dilakukan hyperparameter tuning, nilai akurasi pelatihan tertinggi pada angka 98,8% dengan waktu prediksi selama 19,8 detik, konfigurasi hyperparamter yang digunakan yaitu batch size 256, epochs 15 dan learning rate 2 x 10-3 . 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 106138 2022-10-27 09:47:30 2022-10-27 09:56:00 machine generated