YOPI ANGELLITA, - (2025) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR RESNET-50 TERHADAP TINGKAT KEMATANGAN PISANG. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text (BAB GABUNGAN) YOPI ANGELLITA BAB 1235 - YOPI ANGELLITA TEKNIK INFORMATIKA.pdf - Published Version Download (1MB) | Preview
	Text (BAB HASIL) YOPI ANGELLITA - BAB 4 - YOPI ANGELLITA TEKNIK INFORMATIKA.pdf - Published Version Restricted to Repository staff only Download (2MB)
Preview	Text (PERNYATAAN) SERAHASIMPAN KARYA YOPI - YOPI ANGELLITA TEKNIK INFORMATIKA.pdf - Published Version Download (488kB) | Preview

Abstract

Di Indonesia, pisang menjadi salah satu produk pertanian penting yang bernilai tinggi baik dari segi konsumsi maupun aspek ekonomi. Penentuan tingkat kematangan pisang secara manual masih umum dilakukan, namun bersifat subjektif dan rentan kesalahan dalam skala produksi besar. Klasifikasi tingkat kematangan buah pisang dalam penelitian ini dilakukan menggunakan model CNN berbasis arsitektur ResNet-50, dengan empat label kelas: mentah, setengah matang, matang, dan terlalu matang. Dataset terdiri dari 1.200 citra pisang susu satuan yang diambil dari berbagai sudut. Model dilatih dengan kombinasi tiga optimizer (Adam, RMSprop, SGD), tiga nilai learning rate (0.1, 0.01, 0.001), batch size 32, dan 50 epoch. Pengujian pada penelitian ini menerapkan skema data latih dan uji 90:10, 80:20, dan 70:30. Hasil terbaik dicapai pada konfigurasi RMSprop dan learning rate 0.001 dengan akurasi, precision, recall, F1-Score sebesar 93% pada skema data latih dan uji 90:10. Model menunjukkan tantangan dalam membedakan kelas setengah matang dan terlalu matang karena keduanya memiliki perubahan warna yang jelas dan warna kulit pisang yang tidak merata, model juga akan memberikan hasil klasifikasi pada kelas setengah matang atau terlalu matang jika model tidak dapat mengenali objek yang akan diklasifikasikan. Secara keseluruhan, penelitian ini berkontribusi dalam bidang informatika dan pertanian digital dengan menawarkan sistem pengenalan visual berbasis citra untuk mendeteksi tingkat kematangan buah pisang, khususnya dalam mendukung proses pasca-panen secara lebih efisien dan terstandarisasi. Kata kunci: CNN, klasifikasi, pisang, ResNet-50, kematangan pisang

Actions (login required)

View Item