MUHAMMAD FITRA Primary Author mixed material bibliography Banda Aceh fakultas teknik pertanian 2025

Skripsi

Penelitian ini mengevaluasi performa metode deep learning untuk mengklasifikasi citra emping melinjo berdasarkan kualitasnya menggunakan perangkat lunak MVTEC Halcon. Emping melinjo merupakan produk ekspor Indonesia yang kualitasnya memengaruhi harga dan permintaan pasar. Klasifikasi awalnya dilakukan dengan proses penglihatan secara visual yang dilakukan oleh pakar (manusia) akan tetapi permasalahan muncul dikarenakan proses pengambilan keputusan yang subjektif, lambat, dan rentan kesalahan, sehingga peneliti mengusulkan otomatisasi dengan Deep Learning. Tujuan penelitian adalah menguji akurasi metode Deep Learning dalam mengenali fitur visual emping seperti tekstur, warna, dan ketebalan. Penelitian ini diharapkan meningkatkan efisiensi industri makanan dengan mengurangi ketergantungan pada inspeksi manual. Metode yang digunakan meliputi pengambilan 900 citra emping melinjo dari tiga kelas kualitas (super, lose, barang/rusak) menggunakan kamera Charge Couple Device (CCD) dan alas belt dari conveyor. Dataset dibagi menjadi 70% pelatihan, 15% validasi, dan 15% pengujian. Model Deep Learning yang diuji meliputi ResNet18, AlexNet, serta model compact dan enhanced dari MVTEC Halcon. Proses transfer learning diterapkan dengan memanfaatkan pre-trained model seperti AlexNet yang telah dilatih pada dataset besar seperti ImageNet. Tahap preprocessing meliputi normalisasi ukuran citra (224x224 piksel) dan konversi nilai piksel ke rentang -127 hingga 128 untuk optimasi komputasi. Hasil pelatihan menunjukkan performa dari beberapa model: ResNet18 mencapai akurasi sebesar 97% dengan loss 0.283, diikuti oleh model enhanced (84.8%), compact (85%), dan AlexNet (74.6%). Arsitektur ResNet18 menggunakan residual block yang dirancang untuk memudahkan pelatihan jaringan dalam (18 layer) tanpa vanishing gradient dan mampu mengekstraksi fitur lokal seperti tepi dan tekstur. Model ini memerlukan dataset yang besar dan waktu pelatihan selama 25 menit 51 detik. Di sisi lain, performa model AlexNet dipengaruhi oleh ukuran dataset yang kecil dan ketiadaan GPU, dengan waktu pelatihan 8 menit 8 detik. Adapun model compact dan enhanced dari MVTEC Halcon menunjukkan akurasi sekitar 85% dan penggunaan memori yang hemat, sehingga cocok untuk aplikasi real-time. Waktu pelatihan untuk model compact adalah 3 menit 25 detik. Secara umum, waktu pelatihan dipengaruhi oleh faktor seperti jumlah epoch dan masalah overfitting. Hasil ini sejalan dengan hipotesis bahwa CNN meningkatkan akurasi klasifikasi melalui ekstraksi fitur hierarkis. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 161527 2025-07-15 12:25:52 2025-07-15 14:41:04 machine generated