Deteksi Kecacatan Permukaan Buah Manggis Menggunakan Metode Deep Learning dengan Konvolusi Multilayer

Azizah, Laila Ma’rifatul; Umayah, Sitti Fadillah; Fajar, Febriyana

doi:10.18196/st.212229

Cited by 11 publications

(9 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dalam domain visi komputer, kemampuan yang luar biasa dari deep learning terlihat dari kecakapannya dalam mengklasifikasikan objek dalam citra [5]. Pendekatan ini bertujuan untuk mengoptimalkan struktur hierarkis dalam pemahaman lingkungan, karena metodenya memungkinkan eksplorasi informasi dalam data secara mendalam, menghilangkan kebutuhan untuk membagi data menjadi segmen-segmen yang lebih kecil [6].…”

Section: Pendahuluanunclassified

Implementasi Seblock Pada Klasifikasi Citra Penyakit Mata Manusia Dengan Arsitektur Mobilenetv3-Small

Shalehuddin Albawani,

Tri Anggraeny,

Muharrom Al Haromainy

2024

jati

View full text Add to dashboard Cite

Masyarakat Indonesia masih belum menyadari secara sepenuhnya tentang pentingnya kesehatan mata dimulai dengan adanya penyakit mata yang ringan seperti miopi, presbiopi, kelelahan mata, dan lain sebagainya dan juga penyakit mata yang berat seperti katarak, glaukoma, penyakit retina, dan lain sebagainya. Perkembangan teknologi saat ini memungkinkan manusia untuk dengan cepat dan tepat mengenali penyakit melalui gambar dengan memanfaatkan teknologi citra digital. Salah satu pendekatan yang digunakan adalah transfer learning dengan memakai arsitektur MobileNetV3-Small SEBlock yang dimana penggunaan metode tersebut dapat digunakan pada perangkat dengan spesifikasi yang rendah namun dapat menghasilkan hasil yag maksimal. Tingkat akurasi yang berhasil dicapai oleh MobileNetV3-Small SEBlock sangat memuaskan setelah melalui tahap pelatihan yang dimana pada fase tersebut dapat menunjukkan performa yang stabil serta hasil pengujian yang sangat baik dengan dapat membaca dan mengklasifikasi data sebanyak 3941 gambar dari 4000 gambar sehingga nilai akurasi yang didapatkan mencapai 90%.

show abstract

Section: Pendahuluanunclassified

Implementasi Seblock Pada Klasifikasi Citra Penyakit Mata Manusia Dengan Arsitektur Mobilenetv3-Small

Shalehuddin Albawani,

Tri Anggraeny,

Muharrom Al Haromainy

2024

jati

View full text Add to dashboard Cite

show abstract

“…The addition of epoch for more optimal results. Maximize the amount of data up to 1000 image data with high-quality photo quality [16].…”

Section: Literature Reviewmentioning

confidence: 99%

Implementation of Convolutional Neural Network to Classification Gender based on Fingerprint

Gustisyaf¹,

Sinaga²

2021

IJMECS

View full text Add to dashboard Cite

Gender is one of the vital information to identify someone. If we can decide with conviction whether an individual is male or female, it will restrain the inquiry list and abbreviate the pursuit time. The way toward distinguishing fingerprints is one of the significant, simple to do assortment strategies, the cost is cheap, and a dactyloscopy authority does the particular outcome. The classification of the image gets the issues in computer vision, where a computer can mimic the capacity of an individual to comprehend the data in the image. Process of classifying image can be performing with deep learning where the process like the working of the brain in thinking and trying to reproduce part of its functions by using units associated with relationship, like a neuron. Convolutional neural network is one type of deep learning. In this research, will be doing to classification gender based on fingerprint using method Convolutional Neural Network, and then we will make three models to determined gender, with a total of 49270 image data that included test data and training data by classifying two categories, male and female. Of the three models, we are taking the highest accuracy to use in making this application. Results of this research is we get Model2 will be used as a model CNN with the accuracy level of 99.9667%.

show abstract

“…Penelitian ini menggunakan 24 objek dan menghasilkan akurasi KNN dan SVM sebesar 83,3% dan 87,5%. Mendeteksi kecacatan pada buah manggis dengan CNN dilakukan pada [5] dengan hasil rata-rata akurasi yang diperoleh sebesar 98%. Penelitian berikutnya mengenai mengidentifikasi kematangan mentimun berdasarkan tekstur kulit [8].…”

Section: Pendahuluanunclassified

Realtime Object Detection Masa Siap Panen Tanaman Sayuran Berbasis Mobile Android Dengan Deep Learning

Saputra

Fudholi

2021

RESTI

View full text Add to dashboard Cite

Determining the harvesting period can be done visually, physically, computationally, and chemically. Since the harvesting process is crucial, late harvesting will affect post-harvest and production quality. Leafy vegetables have a relatively short ready-to-harvest period. Visual recognition of the harvesting period combined with image processing can recognize harvesting vegetables' visual characteristics. This study aims to build a deep learning-based mobile model to detect real-time vegetable plant objects such as bok choy, spinach, kale, and curly kale to determine whether these vegetables are ready for harvest. Mobile-based architecture is chosen due to latency, privacy, connectivity, and power consumption reason since there is no round-trip communication to the server. In this research, we use MobileNetV3 as the base architecture. To find the best model, we experiment using different image input size. We have obtained a maximum MAP score of 0. 705510 using a 36,000 image dataset. Furthermore, after implementing the model into the Android mobile application, we analyze the best practice in using the application to capture distance. In real-time detection usage, the detection can be done with an ideal distance of 5 cm and 10 cm.

show abstract

Deteksi Kecacatan Permukaan Buah Manggis Menggunakan Metode Deep Learning dengan Konvolusi Multilayer

Cited by 11 publications

References 0 publications

Implementasi Seblock Pada Klasifikasi Citra Penyakit Mata Manusia Dengan Arsitektur Mobilenetv3-Small

Implementasi Seblock Pada Klasifikasi Citra Penyakit Mata Manusia Dengan Arsitektur Mobilenetv3-Small

Implementation of Convolutional Neural Network to Classification Gender based on Fingerprint

Realtime Object Detection Masa Siap Panen Tanaman Sayuran Berbasis Mobile Android Dengan Deep Learning

Contact Info

Product

Resources

About