Update Artikelilmiah: 28009

VIDI FITRIANSYAH HIDARLAN

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

CNN memiliki berbagai macam arsitektur yang dapat digunakan untuk melakukan klasifikasi varietas beras berdasarkan citranya. Arsitektur CNN yang digunakan pada klasifikasi varietas beras ini adalah VGG16Net dan MobileNet dengan meggunakan metode ekstraksi fitur (feature extraction). Kedua arsitektur tersebut digunakan untuk melakukan pelatihan dan pengujian pada infrastruktur Google Colaboratory. Berdasarkan hasil pelatihan dan pengujian pada Google Colaboratory dengan dataset citra varietas beras yang berukuran 224x224 piksel didapat bahwa pada arsitektur VGG-16Net dengan dataset kualitas baik diperoleh tingkat akurasi pelatihan sebesar 1.0 dan akurasi validasi sebesar 0.9556 sedangkan pada MobileNet tingkat akurasinya sama namun validasinya lebih rendah yaitu sebesar 0.9333. Pada dataset yang buruk dihasilkan nilai akurasi pelatihan dan validasi yang sama sebesar 1.0 pada arsitektur VGG-16Net akan tetapi pada MobileNetV1 hanya mencapai 0.6889 akurasi validasinya. Selanjutnya dilakukan pengujian dari kedua arsitektur tersebut pada perangkat Android. Hasil pengujian arsitektur VGG-16Net pada kondisi beras disebar di alas hitam menggunakan flashlight pada perangkat Android menghasilkan tingkat akurasi sebesar 75,56% sedangkan pada MobileNetV1 sebesar 95,56%. Kemudian pengujian pada arsitektur MobileNetV1 dilanjutkan menggunakan cahaya ruangan yang menghasilkan tingkat akurasi 71,11%. Selain itu dilakukan pengujian dengan kondisi beras yang dibungkus plastik bening dan menggunakan cahaya flashlight diperoleh tingkat akurasi sebesar 95,56% dan yang tanpa menggunakan flashlight sebesar 97,78%. Faktor yang mempengaruhi perbedaan hasil pengujian tersebut adalah jarak obyek yang dideteksi, kondisi pencahayaan, dan kualitas gambar.

Abtrak (Bhs. Inggris)

CNN has a variety of architectures that can be used to classify rice varieties based on their image. CNN architecture types used in the classification of rice varieties are VGG16Net and MobileNet using the feature extraction method. Both architectures are used to conduct training and testing on the Google Collaboratory infrastructure. Based on the result of training and testing on Google Collaboration with the 224x224 pixel image datasets of rice variety were found that the VGG-16Net architecture with good quality image datasets obtained training accuracy levels of 1.0 and validation accuracy of 0.9556 whereas the accuracy level on MobileNet was the same but the validation accuracy was lower about 0.9333. In bad datasets the same accuracy and training results are obtained at 1.0 on the VGG-16Net architecture but on MobileNetV1 only reached the validation accuracy of 0.6889. Furthermore, to do the testing of these two architectures on Android devices. The results of the VGG-16Net architecture testing on the condition of rice being spread on a black mat using a flashlight on an Android device produce an accuracy rate of 75.56% while on MobileNetV1 of 95.56%. Then testing on the MobileNetV1 architecture was continued using room light which the result of the level of accuracy is 71.11%. In addition, testing with the condition of rice wrapped in clear plastic and using a flashlight obtained an accuracy rate of 95.56% and without using a flashlight of 97.78%. Factors affecting the difference in the test results are the distance of the detected object, lighting condition, and image quality.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman