Identifikasi Mutu Bij Kopi Arabika Berdasarkan Cacat dengan Teknik Convolutional Neural Network

Saputra, Mahmuda; Kusrini, Kusrini; Kurniawan, Mei P

doi:10.35585/inspir.v10i1.2533

Cited by 6 publications

(5 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Kemudian pada layer dense, masingmasing flatten akan dilewatkan ke 512 neuron. Setelah itu pada layer output menggunakan layer dense sebanyak 7, karena pada penelitian ini menggunakan 7 kelas sehingga outputnya berupa 0,1,2,3,4,5,7 [6].…”

Section: Convolution Neural Network (Cnn)unclassified

Analisis Perbandingan Performansi Algoritma CNN Dan Nn Pada Buah Pir

Fajar Setyawan,

Nugroho,

Vita Via

2024

jati

View full text Add to dashboard Cite

Secara umum, buah pir merupakan buah yang umum dikonsumsi masyarakat Indonesia, yaitu buah pir Asia (Pyrus pyrifolia) yang memiliki ciri khas rasa manis, asam, dan renyah. Buah ini merupakan buah yang populer di Indonesia karena tingginya konsumsi buah pir oleh masyarakat Indonesia, terbukti dengan impor dari Tiongkok, Australia, Korea Selatan, dan Amerika Serikat yang mencapai 69.000 ton pada tahun 2012. Selain itu, buah ini memiliki rasa yang unik dan banyak mengandung air, tumbuk dan rasa manis. Ditemukan di tanah tropis, buah ini juga mengandung unsur hara seperti A, B1, B2, C, E, K, niasin, asam pantotenat, dan folacin, serta berbagai vitamin. Metode yang digunakan adalah Convolution Neural Network (CNN) dan Neural Network (NN) dengan menggunakan asitektur dari kedua metode tersebut untuk mendapatkan perbandingan hasil tingkat akurasi. Untuk parameter tingkat akurasi dibagai 6 bagian untuk data trainnya sebagai berikut presentasnya 50%, 55%, 60%, 65%, 70%, dan 75% kemudian dari hasil training tersebut akan memunculkan tingkat akurasi dari kedua algoritma tersebut dengan tingkat akurasi tertinggi untuk metode CNN (98%) dan NN (93%). Seletah melakukan training akan dilakukan proses uji dengan menggunakan confusion matrix untuk mendapatkan hasil validasi, untuk metode CNN tingkat akurasi mendapatkan 97%, tingkat precision 97%, sensitivity_recall 97%, f1_score 97% dan untuk metode NN tingkat akurasi mendapatkan 86%, tingkat precision 89%, sensitivity_recall 86%, f1_score 86%.

show abstract

Section: Convolution Neural Network (Cnn)unclassified

Analisis Perbandingan Performansi Algoritma CNN Dan Nn Pada Buah Pir

Fajar Setyawan,

Nugroho,

Vita Via

2024

jati

View full text Add to dashboard Cite

show abstract

“…Kemudian disimpulkan bahwa CNN mampu memberikan akurasi sebesar 82,46% pada model klasifikasi dua kelas dan 67,05% pada klasifikasi empat kelas. Serta dengan penambahan lapisan konvolusi pada model empat kelas dengan akurasi yang diperoleh 70,73% [17].…”

Section: Pendahuluanunclassified

Implementasi Convolutional Neural Network Dalam Klasifikasi Jenis Kopi Temanggung

Adella Maharani,

Akbar

2024

jati

View full text Add to dashboard Cite

Biji kopi memiliki karakteristik yang berbeda setiap jenisnya. Oleh karena itu pengetahuan mengenai jenis kopi tentunya sangat diperlukan. Namun tidak semua petani ataupun pemilik kedai kopi mempunyai kemampuan untuk mengenali hanya dengan melihat secara kasat mata. Selain itu jika identifikasi hanya dilakukan manual mengandalkan visual tentu dapat berakibat kesalahan dalam proses mengidentifikasi jenis biji kopi. Saat ini terdapat banyak sistem yang dapat membantu untuk mengenali jenis kopi, salah satunya dengan menggunakan Convolutional Neural Network (CNN). Tujuan penelitian ini dilakukan adalah untuk mengetahui hasil serta akurasi yang diperoleh dalam klasifikasi citra tiga jenis biji kopi Temanggung dengan menggunakan Convolutional Neural Network. Metode penelitian yang dilakukan terdiri dari akuisisi, pre-processing, dataset citra kopi, dan tahap klasifikasi menggunakan CNN. Akurasi pelatihan tertinggi yang diperoleh dalam implementasi CNN ini adalah 99.26% dengan citra input berukuran 50x50x3. Pada penelitian ini juga ditemukan bahwa peningkatan ukuran citra input tidak berdampak terhadap peningkatan akurasi pelatihan dalam mengklasifikasikan jenis biji kopi Temanggung menggunakan CNN

show abstract

“…Jumlah neuron yang digunakan di hiden ini adalah 256, dan telah menggunakan dua fungsi aktivasi, ReLu dan Tanh, yang digunakan untuk membandingkan hasil akurasi. Hasil yang diperoleh adalah 96% untuk fungsi aktivasi ReLu dan 93,8% untuk fungsi Tanh [4].…”

Section: Pendahuluanunclassified

Deteksi Tingkat Kematangan Fermentasi Singkong (Tape Singkong) Menggunakan Convolutional Neural Network (CNN)

Subayu,

Supatman

2022

jisai

View full text Add to dashboard Cite

Tape merupakan makanan yang proses pembuatannya melibatkan ragi. Tidak seperti makanan-makanan lain, tape memerlukan proses fermentasi menggunakan ragi yang mengandung Kapang Amylomyces Rousi, Mucor sp, Rhizopus sp, Khamir Saccharomycopsis fibuligera, Candida Utilis, Pichia burtonii, Saccharomyces Cerevisiae, Saccharomycopsis Malanga, serta bakteri Pediococcus sp dan Bacillus sp. Tape yang mengandung unsur tersebut salah satunya adalah tape singkong (Manihot Utilissima). Permasalahan muncul ketika masyarakat awam tidak mengetahui kematangan pada fermentasi singkong. Maka dari itu, dikembangkan sebuah sistem syaraf tiruan untuk mendeteksi kematangan fermentasi singkong dengan menggunakan Metode Convolutional Neural Network (CNN). Metode CNN merupakan salah satu metode Deep Learning yang mampu melakukan proses pembelajaran mandiri untuk pengenalan objek yang diekstraksi dan diklasifikasi kemudian dapat diterapkan pada citra yang beresolusi tinggi yang memiliki model distribusi nonparametrik. Hasil dari penelitian dengan membuat 45 data latih mencapai 96.88% dan menggunakan 30 data uji tape singkong memiliki hasil mencapai 90%. Hasil ini memiliki tujuan dapat mengurangi tingkat kekeliruan masyarakat khususnya konsumen dalam menentukan kematangan pada tape singkong.

show abstract

Identifikasi Mutu Bij Kopi Arabika Berdasarkan Cacat dengan Teknik Convolutional Neural Network

Cited by 6 publications

References 0 publications

Analisis Perbandingan Performansi Algoritma CNN Dan Nn Pada Buah Pir

Analisis Perbandingan Performansi Algoritma CNN Dan Nn Pada Buah Pir

Implementasi Convolutional Neural Network Dalam Klasifikasi Jenis Kopi Temanggung

Deteksi Tingkat Kematangan Fermentasi Singkong (Tape Singkong) Menggunakan Convolutional Neural Network (CNN)

Contact Info

Product

Resources

About