Please use this identifier to cite or link to this item: http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5693
Title: Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network
Authors: Dr. B. Herawan, Hayadi
Keywords: Convolutional Neural Network (CNN), Deep Learning, Sweet orange
Convolutional Neural Network (CNN), Deep Learning, Sweet orange
Issue Date: 2023
Citation: JURNAL INOVTEK POLBENG - SERI INFORMATIKA
Series/Report no.: VOL. 6, NO. 2, 2021;259-268
Abstract: Sweet orange is very much consumed by humans because oranges are rich in vitamin C, sweet oranges can be consumed directly to drink. The classification carried out to determine proper (good) and unfit (rotten) oranges still uses manual methods, The classification has several weaknesses, namely the existence of human visual limitations, is influenced by the psychological condition of the observations and takes a long time. One of the classification methods for sweet orange fruit with a computerized system the Convolutional Neural Network (CNN) is algorithm deep learning to the development of the Multilayer Perceptron (MLP) with 100 datasets of sweet orange images, the classification accuracy rate was 97.5184%. the classification was carried out, the result was 67.8221%. Testing of 10 citrus fruit images divided into 5 good citrus images and 5 rotten citrus images at 96% for training 92% for testing which were considered to have been able to classify the appropriateness of sweet orange fruit very well. The graph of the results of the accuracy testing is 0.92 or 92%. This result is quite good, for the RGB histogram display the orange image is good
Sweet orange is very much consumed by humans because oranges are rich in vitamin C, sweet oranges can be consumed directly to drink. The classification carried out to determine proper (good) and unfit (rotten) oranges still uses manual methods, The classification has several weaknesses, namely the existence of human visual limitations, is influenced by the psychological condition of the observations and takes a long time. One of the classification methods for sweet orange fruit with a computerized system the Convolutional Neural Network (CNN) is algorithm deep learning to the development of the Multilayer Perceptron (MLP) with 100 datasets of sweet orange images, the classification accuracy rate was 97.5184%. the classification was carried out, the result was 67.8221%. Testing of 10 citrus fruit images divided into 5 good citrus images and 5 rotten citrus images at 96% for training 92% for testing which were considered to have been able to classify the appropriateness of sweet orange fruit very well. The graph of the results of the accuracy testing is 0.92 or 92%. This result is quite good, for the RGB histogram display the orange image is good
Description: Tanaman jeruk manis (Citrus Sinensis) adalah tanaman buah tahunan yang berasal dari Asia.[1] Diyakini bahwa Cina adalah tempat pertama bagi jeruk yang tumbuh. Selama ratusan tahun, jeruk telah tumbuh di Indonesia, baik secara alami maupun dibudidayakan. Tanaman orange di Indonesia adalah peninggalan Belanda yang membawa jeruk manis dan keprok dari Amerika dan Italia. [2]. Tanaman Jeruk manis paling cocok ditanam di daerah subtropis yang memiliki suhu rata-rata 20 – 25o C.[3] Jeruk manis mempunyai kedudukan paling istimewa diantara jenis jeruk lain dan merupakan kunci bagi industri jeruk diseluruh dunia. Sebab jeruk jenis ini merupakan bahan pembuat minuman yang sangat baik dan buahnya dapat dibuat (selai)[4]. Selain itu, bunga, biji dan Kulitnya dapat diambil minyaknya[5]. Buah non-klimaerik jeruk ini ketika matangnya buah, hanya dapat diperoleh dipetik langsung dipohon atau tidak dapat diperam setelah proses panen[6]. Sehingga penting untuk memetik ataupun memanen buah jeruk saat matangnya[7]. Memanen buah dengan rasa asam tidak akan berubah jadi manis karena tidak ada proses pematangan saat setelah panen [8]. Proses klarifikasi yang dilakukan untuk menentukan jeruk layak (bagus) dan tidak layak (busuk) bahkan begitu banyak inputan menggunakan cara manual [9] [10]. Manual berarti dibuat sesuai dengan pengamatan visual langsung pada buah yang akan diklasifikasikan [11]. Kelemahan dari klasifikasi manual sangat dipengaruhi oleh subjektivitas operator penyortiran sehingga, dalam kondisi tertentu, itu tidak konsisten dengan proses klasifikasi [12]. Convolutional Neural Network (CNN) bahagian dari algoritma deep learning dikembangkan dengan Multilayer Percepton (MLP) dirancang sebagai mengolah data dalam bentukkan dua dimensi, misalnya suara dan gambar [13]. CNN digunakan mengklasifikasi data yang terlabel dengan menfungsikan metode supervised learning[14], [15]. Bagian daripada jenis neural network biasanya digunakan didata image adalah CNN. Pada tingkat kedalaman jaringan CNN termasulah jenis Deep Neural Network dan sering digunakan dalam data citra image [16]. Tahap pembelajaran menggunakan backpropagation, klasifikasi menggunakan feedforward dua bahagian tersebut termasuk kedalam CNN. Keuntungan dari CNN dibandingkan dengan metode klasifikasi lain semakin terlihat ketika digunakan untuk mengklasifikasikan pada citra gambar dengan lebih banyak atau kelas yang besar [17]. Deep Learning merupakan bagian Machine Learning dengan basis Jaringan Syaraf Tiruan (JST)[18] atau pembaharuan JST dalam mendedikasikan komputer untuk dapat berpikir melakukan layaknya seperti manusia[19]. Deep Learning, pada komputer dikategorikan kedalam mengklasifikasi pengambilan dari gambar, suara, teks, atau video [20]. Seperti pada komputer pengujian dan dilatih memakai data set yang memiliki label dan dalam jumlah besar selanjutnya diubah kedalam nilai piksel pada gambar untuk dijadikan representasi internal atau feature vector[21] kemudian selanjutnya pengklasifikasian didapatkan dan digunakan pada deteksi untuk mengklasifikasikan pola pada masukan input [22]. Deep learning merupakan pembelajaran reprensentasi untuk membentuk arsitektur jaringan syaraf tiruan dengan multi lapisan layer[23]. Input layer, hidden layer, dan output layer dalam lapisan deep learning, [24]. Pada hidden layer dengan lapisan yang banyak untuk dapat membuat komposisi algoritma dalam hal meminimalisir nilai error pada output [25] Atas dasar penelitian terkait yang menggunakan metode Neuron Network yang konklusif adalah penerapan jaringan neuron convolutional network untuk klasifikasi gambar tomat menggunakan Keras (Taiara Shafira, 2018), yang merupakan subjek penelitian. Pada pencarian kali ini adalah tomat, menggunakan R studio dan Keras, [26]. Dengan hasil penelitian Tingkat keakuratan data uji yang diperoleh dari analisa pemodelan yang terbentuk adalah 90% klasifikasi gambar tomat. Data baru klasifikasi adalah 10 gambar tomat dalam pengujian model tomat yang terbentuk, yaitu setiap gambar berhasil diklasifikasikan dengan benar. Untuk itu disini diterapkannlah bagaimana klasifikasi terhadap Buah Jeruk Manis dengan menggunakan metode tersebut.
Tanaman jeruk manis (Citrus Sinensis) adalah tanaman buah tahunan yang berasal dari Asia.[1] Diyakini bahwa Cina adalah tempat pertama bagi jeruk yang tumbuh. Selama ratusan tahun, jeruk telah tumbuh di Indonesia, baik secara alami maupun dibudidayakan. Tanaman orange di Indonesia adalah peninggalan Belanda yang membawa jeruk manis dan keprok dari Amerika dan Italia. [2]. Tanaman Jeruk manis paling cocok ditanam di daerah subtropis yang memiliki suhu rata-rata 20 – 25o C.[3] Jeruk manis mempunyai kedudukan paling istimewa diantara jenis jeruk lain dan merupakan kunci bagi industri jeruk diseluruh dunia. Sebab jeruk jenis ini merupakan bahan pembuat minuman yang sangat baik dan buahnya dapat dibuat (selai)[4]. Selain itu, bunga, biji dan Kulitnya dapat diambil minyaknya[5]. Buah non-klimaerik jeruk ini ketika matangnya buah, hanya dapat diperoleh dipetik langsung dipohon atau tidak dapat diperam setelah proses panen[6]. Sehingga penting untuk memetik ataupun memanen buah jeruk saat matangnya[7]. Memanen buah dengan rasa asam tidak akan berubah jadi manis karena tidak ada proses pematangan saat setelah panen [8]. Proses klarifikasi yang dilakukan untuk menentukan jeruk layak (bagus) dan tidak layak (busuk) bahkan begitu banyak inputan menggunakan cara manual [9] [10]. Manual berarti dibuat sesuai dengan pengamatan visual langsung pada buah yang akan diklasifikasikan [11]. Kelemahan dari klasifikasi manual sangat dipengaruhi oleh subjektivitas operator penyortiran sehingga, dalam kondisi tertentu, itu tidak konsisten dengan proses klasifikasi [12]. Convolutional Neural Network (CNN) bahagian dari algoritma deep learning dikembangkan dengan Multilayer Percepton (MLP) dirancang sebagai mengolah data dalam bentukkan dua dimensi, misalnya suara dan gambar [13]. CNN digunakan mengklasifikasi data yang terlabel dengan menfungsikan metode supervised learning[14], [15]. Bagian daripada jenis neural network biasanya digunakan didata image adalah CNN. Pada tingkat kedalaman jaringan CNN termasulah jenis Deep Neural Network dan sering digunakan dalam data citra image [16]. Tahap pembelajaran menggunakan backpropagation, klasifikasi menggunakan feedforward dua bahagian tersebut termasuk kedalam CNN. Keuntungan dari CNN dibandingkan dengan metode klasifikasi lain semakin terlihat ketika digunakan untuk mengklasifikasikan pada citra gambar dengan lebih banyak atau kelas yang besar [17]. Deep Learning merupakan bagian Machine Learning dengan basis Jaringan Syaraf Tiruan (JST)[18] atau pembaharuan JST dalam mendedikasikan komputer untuk dapat berpikir melakukan layaknya seperti manusia[19]. Deep Learning, pada komputer dikategorikan kedalam mengklasifikasi pengambilan dari gambar, suara, teks, atau video [20]. Seperti pada komputer pengujian dan dilatih memakai data set yang memiliki label dan dalam jumlah besar selanjutnya diubah kedalam nilai piksel pada gambar untuk dijadikan representasi internal atau feature vector[21] kemudian selanjutnya pengklasifikasian didapatkan dan digunakan pada deteksi untuk mengklasifikasikan pola pada masukan input [22]. Deep learning merupakan pembelajaran reprensentasi untuk membentuk arsitektur jaringan syaraf tiruan dengan multi lapisan layer[23]. Input layer, hidden layer, dan output layer dalam lapisan deep learning, [24]. Pada hidden layer dengan lapisan yang banyak untuk dapat membuat komposisi algoritma dalam hal meminimalisir nilai error pada output [25] Atas dasar penelitian terkait yang menggunakan metode Neuron Network yang konklusif adalah penerapan jaringan neuron convolutional network untuk klasifikasi gambar tomat menggunakan Keras (Taiara Shafira, 2018), yang merupakan subjek penelitian. Pada pencarian kali ini adalah tomat, menggunakan R studio dan Keras, [26]. Dengan hasil penelitian Tingkat keakuratan data uji yang diperoleh dari analisa pemodelan yang terbentuk adalah 90% klasifikasi gambar tomat. Data baru klasifikasi adalah 10 gambar tomat dalam pengujian model tomat yang terbentuk, yaitu setiap gambar berhasil diklasifikasikan dengan benar. Untuk itu disini diterapkannlah bagaimana klasifikasi terhadap Buah Jeruk Manis dengan menggunakan metode tersebut.
URI: http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5693
ISSN: 2527-9866
Appears in Collections:

Files in This Item:
File Description SizeFormat 
Klasifikasi Tekstur Kematangan Buah Jeruk Manis.pdf1.3 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.