ANALISIS PERFORMA CNN UNTUK KLASIFIKASI JENIS  BERAS BERBASIS PENGOLAHAN CITRA DIGITAL

TYAS AYU KARTIKADEWI

Informasi Umum

Kode

23.04.1529

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine - Learning

Dilihat

357 kali

Informasi Lainnya

Abstraksi

Beras adalah salah satu bahan pangan utama mayoritas penduduk di Indonesia yang berasal dari biji padi, selain menjadi bahan pokok pangan utama, beras juga menjadi bahan baku dalam pembuatan beraneka ragam jenis pangan dan jajanan. Beras memiliki berbagai macam jenis berdasarkan bentuk, warna, ukuran, rasa dan sifat. Penentuan jenis beras untuk bahan pangan maupun bahan baku sesuai dengan peruntukanya merupakan suatu hal yang penting, penentuan jenis beras secara manual memerlukan tenaga waktu yang relatif besar dan lama, penentuan jenis beras secara otomatis menggunakan sistem komputer dapat mempermudah manusia dalam melakukan pemilahan dan pengecekan pada saat produksi pangan, dan akan memakan terjadinya human error. Penggunaan sistem deteksi jenis beras menggunakan metode Convolutional Neural Network (CNN) menjadi salah satu terobosan baru dalam pemilahan dan penentuan jenis beras pada sistem produksi yang terkomputasi.

Convolutional Neural Network (CNN) mempunyai hasil yang signifikan dalam mengenali citra image. Tugas Akhir ini, menggunakan dataset Rice Image Dataset yang terdiri dari 5 kelas, masing-masing klas terdapat 500 image, sehingga totalnya adalah 2.500 image. Penelitian ini menggunakan jenis preprocessing resize dan arsitektur VGG-16. Arsitektur VGG-16 digunakan karena kompleksitasnya rendah dan arsitektur ini sederhana. Sistem dirancang menggunakan platform Google Colab dengan bahasa pemrogramannya Python dan datasetnya diperoleh dari <a href="http://www.kaggle.com/">www.kaggle.com.</a>

Pada Tugas Akhir ini pengujiannya menggunakan 5 skenario yaitu pengujian pada input size citra, optimizer, learning rate, batch size, dan epoch. Dataset yang digunakan pada penelitian ini berjumlah 2.500 citra. Parameter terbaikyang didapatkan dari pengujian skenario tersebut yaitu menggunakan input size 128×128, optimizer Adamax, learning rate 0.001, batch size 64, dan epoch 50. Hasil yang diperoleh dari parameter terbaik yaitu nilai akurasi sebesar 99.94%, nilai losssebesar 0.0316, nilai presisi, recall, dan f1 score sebesar 98%.

Kata kunci : Jenis Beras, Normal, CNN, VGG-1