Deteksi Jenis Dan Kematangan Pisang Menggunakan Metode Extreme Learning Machine

Najiyah, Ina; Hariyanti, Ifani

doi:10.51977/jti.v2i2.315

Cited by 5 publications

(5 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Use Case Diagram berfungsi untuk menggambarkan interaksi antara aktor (pengguna sistem) dengan sistem yang dibangun. Proses-proses yang terjadi pada sistem chatbot ini dapat dilihat pada use case diagram pada Gambar 3 [13].…”

Section: Hasil Pelaksanaan Pengabdian 221 Use Caseunclassified

E-RAPORT Implementasi E-Raport Berbasis Chatbot Studi Kasus di SMA Dipoenogoro 2 Jakarta

Mulyana¹,

Rowis²,

Iskandar³

et al. 2023

jpni

View full text Add to dashboard Cite

With the rapid development of modern information and technology in all fields, including education, the order of learning activities in schools can be changed to become more effective and efficient. A transcript is the result of each student or student's values during a semester entered or recorded in a report. To increase the effectiveness and efficiency of report card distribution, a simple electronic report or electronic report card program has been developed that student parents can use to know their sons and daughters' school performance. The use of electronic reporting is therefore considered very important given that it is currently a condition of recovery for all sectors affected by the Covid-19 pandemic. , integrated with Python, MySQL database and linked to web program, chatbot based and implemented in SMA Dipoenogoro 2 East Jakarta. The way it works is by using an autoresponder program that calls a database of student grades stored in a database. The student's grades are then converted to a PDF file, and the student's parents simply need to download the transcript and the student's study link. Output the results in PDF format and print without coming to school. In the methods used, the collection technology consists of: Literary observations, interviews, research. The application development method is Extreme Programming, and the service implementation method is implementation method (evidence-based practice) and public relations. The socialization and presentation results showed a good and positive response among all parties involved, i.e. the students' parents and teachers. From a student's parent's point of view, the system is very welcome as it allows them to easily know their child's academic performance. Of course, parents can monitor their child's developmental learning patterns during the school year. Teachers, on the other hand, perceive this advantage as being more effective and efficient. From entering academic records for each student to distributing transcripts, supporting learning activities in modern schools where technology is rapidly developing can be very useful.

show abstract

Section: Hasil Pelaksanaan Pengabdian 221 Use Caseunclassified

E-RAPORT Implementasi E-Raport Berbasis Chatbot Studi Kasus di SMA Dipoenogoro 2 Jakarta

Mulyana¹,

Rowis²,

Iskandar³

et al. 2023

jpni

View full text Add to dashboard Cite

show abstract

“…Tahap selanjutnya, citra masukan akan masuk ke proses konvolusi, aktifasi ReLu, dan polling yang berada pada tahap feature learning. Jumlah proses konvolusi pada penelitian ini mempunyai 13 lapisan konvolusi, 3 lapisan fully connected, dan 1 Support Vector Machine [11]. Setiap konvolusinya memiliki jumlah filter yang berbeda-beda dan ukuran kernel yang sama (3*3).…”

Section: Bahanunclassified

Hybrid Algoritma Vgg16-Net Dengan Support Vector Machine Untuk Klasifikasi Jenis Buah dan sayuran

Putro¹,

Tantyoko²

2023

jtim

View full text Add to dashboard Cite

Arsitektur deep learning VGG16 terbukti efektif dalam hal melakukan klasifikasi citra pada dataset ImageNet, akan tetapi memiliki keterbatasan dalam jumlah parameter sangat banyak dan potensi overfitting pada dataset kecil. SVM memiliki kelebihan dalam hal menangani masalah overfitting pada dataset yang relatif kecil, sementara VGG16 memiliki keunggulan dalam mengekstraksi fitur yang berkualitas dari citra dengan performa yang sangat baik. SVM juga dapat membantu memperbaiki kinerja klasifikasi pada VGG16 dengan meminimalkan risiko overfitting dan meningkatkan akurasi klasifikasi pada dataset yang relatif kecil. Oleh karena itu, penulis memilih untuk hybrid algoritma VGG16Net Dengan Support Vector Machine Untuk Klasifikasi Jenis buah dan sayuran, yang nantinya arsitektur VGG16 digunakan untuk ekstraksi fitur dari citra dan fitur-fitur tersebut dijadikan input untuk SVM. Keputusan menggunakan VGG16 digabungkan dengan SVM adalah untuk meningkatkan akurasi klasifikasi dataset citra buah dan sayuran, Namun, penggunaan SVM membutuhkan pemilihan parameter yang tepat dan teknik prapemrosesan data yang tepat untuk mencapai hasil yang baik. Dan dalam penelitian ini penulis berhasil mengklasifikasikan citra buah dan sayuran, akurasi sebelum hybrid svm mendapatkan 94.52% training accuracy dan testing (validation) accuracy sebesar 87.85%. dan hasil loss mendapat training loss sebesar 0.58 dan testing loss accuracy sebesar 12.5%. Setelah dilakukan hybrid vgg16 dengan svm didapatkan training accuracy sebesar 99.87 % dan testing (validation) accuracy sebesar 91.76 %. Untuk hasil loss mendapat training loss sebesar 0.13 dan testing loss accuracy sebesar 8.24%. Oleh karena itu, arsitektur CNN VGG-16Net digabungkan dengan SVM dapat menghasilkan model klasifikasi yang baik, terutama pada dataset yang relatif kecil dan dapat menjadi pilihan yang sesuai dalam klasifikasi citra.

show abstract

“…Dengan kata lain, bagian ini merupakan inti dari pseudocode. Pseudocode yang pertama yaitu input dataset buah mangrove yang belum matang dan buah mangrove yang sudah matang merupakan citra gambar, suntuk citra buah mangrove yang matang dilebeling sebagai 0 sedangkan citra buah mangrove yang mentah dilebeling sebagai 1, untuk ouput dari pseudecode merupakan pengjian dari citra buah mangarove, jika menginputan citra buah mangrove yang matang jika prediksi nya benar maka outputnya akan dikategorikan kedalam citra buah mangrove yang matang begitu juga sebaliknya jika menginput citra buah mangrove yang mentah jika prediksinya benar maka outpunya dkategorikan kedalam citra buah mangrove yang mentah [12].…”

Section: Metode Penelitianunclassified

Deep Learning Untuk Klasifikasi Kematangan Buah Mangrove Berdasarkan Warna

Mukhtar,

Alfanico,

Fu’adah Amran

et al. 2023

View full text Add to dashboard Cite

Plants that live between land and sea, such as mangroves, are influenced by the tides and tides. Indonesia has the largest mangrove forest in the world and a variety of biodiversity and structure. People currently detect mangrove maturity by looking directly at the fruit. This study proposes to classify the maturity of mangrove fruit using artificial intelligence techniques, making it easier for farmers to determine the ripeness of the fruit. This proposal uses data from 200 images for mangroves taken directly from Lukit Village, Merbau District, Meranti Islands Regency. This research improves the Convolutional Neural Network (CNN) method to classify mangrove fruit maturity. The results obtained from this research were by classifying ripe and unripe fruit. Based on this research, accuracy reaches a maximum of 96%.

show abstract

Deteksi Jenis Dan Kematangan Pisang Menggunakan Metode Extreme Learning Machine

Cited by 5 publications

References 2 publications

E-RAPORT Implementasi E-Raport Berbasis Chatbot Studi Kasus di SMA Dipoenogoro 2 Jakarta

E-RAPORT Implementasi E-Raport Berbasis Chatbot Studi Kasus di SMA Dipoenogoro 2 Jakarta

Hybrid Algoritma Vgg16-Net Dengan Support Vector Machine Untuk Klasifikasi Jenis Buah dan sayuran

Deep Learning Untuk Klasifikasi Kematangan Buah Mangrove Berdasarkan Warna

Contact Info

Product

Resources

About