Electronic Theses and Dissertation

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 .

The development of technology introduced a positive impact in a lot of fields, one of them is the agriculture industry which needs tools that help humans speed up the process and make the business flow more reliable. Image recognition is one of the implementations of computer vision specifically in deep learning using Convolutional Neural Network architecture could give a machine the ability to do tasks that have been done by a human before. This research was conducted to obtain a CNN model that can provide the best performance in recognizing fruits contained in the Fruits360 dataset and also a dataset consisting of local fruits that consisted of Kawis, Belimbing, Jeruk Purut, Mengkudu, and Rumbia. The five CNN architectures used in this study are VGG-16, VGG-19, InceptionV3, ResNet-50, and MobileNetV3-Large. This research will be conducted in two stages and will uses the Fruits-360 dataset and ResNet-50 architecture in the first stage which produces the highest test accuracy value of 98.7% and prediction time of 21.6 seconds. In the second stage, the ResNet50 architectural configuration is reused on the Fruits-360 dataset which has been combined with local fruits as the baseline model and produces an accuracy value of 97.5% and a prediction time of 24.9 seconds. After hyperparameter tuning, the highest training accuracy value is 98.8% with a prediction time of 19.8 seconds, the hyperparameter configuration used is batch size 256, epochs 15, and learning rate 2 x 10-3.