Implementasi Algoritma Convolutional Neural Network Dalam Mengklasifikasi Kesegaran Buah Berdasarkan Citra Buah

Abstract

The development of Information Technology today, which continues to grow, can help overcome various problems because matters relating to the advancement of Information Technology have spread to almost all levels of Indonesian society. Along with the development of Information Technology, it is also marked by Artificial Intelligence which can simulate human intelligence and help handle tasks in the real world. By utilizing Information Technology, one of them can be used in terms of the classification of fruit freshness. Where this classification will be very useful and help farmers and fruit consumers. This study describes the use of the Convolutional Neural Network to classify the freshness of the following fruits: apples, oranges, and bananas. And also using six classes, namely fresh apples, fresh oranges, fresh bananas, unfresh apples, unfresh oranges, and unfresh bananas. The first thing to do is Convolutional Neuronal Network training using an image dataset as input using data sources from Kaggle.com, published by "Student at Stony Brook University, New York, United States". To determine the performance of the various models produced, the following Confusion Matrix is used: accuracy, precision, and recall. The best average obtained is 93%.

Implementasi Machine Learning pada Deteksi Kecacatan Printed Circuit Board

“…Proses pengenalan pola pada CNN bergantung pada data latih yang telah digunakan untuk melatih model tersebut. CNN dapat digunakan atau diimplementasikan untuk pengenalan citra dengan akurasi yang menyaingi manusia pada suatu dataset tertentu dan CNN dapat mempelajari jenis fitur yang menghasilkan akurasi yang lebih tinggi dan karenanya menggunakannya dalam proses klasifikasi [6].…”

Use of Augmentation Data and Hyperparameter Tuning in Batik Type Classification using the CNN Model

“…Metode confusion matrix metode evaluasi yang digunakan dalam model klasifikasi yang hasilnya merupakan performance model klasifikasi dan direpresentasikan dalam bentuk tabel. Tabel performance model klasifikasi terbentuk dari baris dan kolom yang banyaknya sama dengan total kelas nilai false positives (FP) yang artinya data yang sebenarnya bernilai negatif dideteksi sebagai data yang bernilai positif, false negatives (FN) merupakan data yang sebenarnya bernilai positif dideteksi sebagai data yang bernilai negatif, true positives (TP) merupakan data yang bernilai positif yang terdeteksi benar sesuai dengan nilainya, dan true negatives (TN) merupakan jumlah data yang bernilai negatif yang terdeteksi benar sesuai dengan nilainya [18].…”

Implementasi Deep Learning Dengan Menggunakan Algoritma Convolutional Neural Network Untuk Mengidentifikasi Jenis Ikan Laut

“…Softmax memiliki fungsi untuk menghasilkan klasifikasi dengan menghitung probabilitas pada setiap kelas dengan distribusi dasar dan nilainya akan diubah menjadi vektor dengan rentang nilai antara 0 dan 1 yang apabila dijumlahkan akan bernilai 1. [9] Persamaan dari softmax dapat dilihat pada persamaan berikut.…”