Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3

Ungkawa, Uung; Hakim, G

doi:10.26760/elkomika.v11i3.731

Cited by 5 publications

(5 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Figure 1 shows a block diagram of the system designed in this study. In general, a structured system block diagram as shown in Figure 1 consists of tomato data collection stage, pre-processing and image maintenance stage with sizing adjustment stages, data cropping and augmentation, CNN model, training, and testing [4], [18] Figure 1. General System Block Diagram…”

Section: Methodsmentioning

confidence: 99%

Classification of Tomato Ripeness Based on Convolutional Neural Network Methods

Ayunda,

Haryatmi,

Riyadi

2023

J. Inf. Syst. Informatics

View full text Add to dashboard Cite

Sorting system for tomato is one of the important things to deploy to achieve better quality of tomato. Nowadays, many sorting system is done manually and this could spend a lot of time and become inefficient. One method can be implemented in the sorting system by using Convolutional Neural Network (CNN) method to classify the ripeness of tomatoes. The objective of this research is to classify the ripeness of tomatoes based on the color of tomatoes. There are three categories of color level such as green for raw tomato, turning for half-ripe tomato and red for ripe tomato. Research methodology of this research is data collection, data pre-processing and image maintenance, CNN model, and training data. The image used in this research are 1148 images. These images were taken manually using smartphone camera in outdoor environment. These images were used to build CNN model. The results of this research show that by testing 10 images of tomatoes achieved raw tomatoes close to 90%, ripe tomatoes close to 90% and half-ripe tomatoes close to 80%. Based on the results, CNN can be used as a good alternative in image classification tasks.

show abstract

Section: Methodsmentioning

confidence: 99%

Classification of Tomato Ripeness Based on Convolutional Neural Network Methods

Ayunda,

Haryatmi,

Riyadi

2023

J. Inf. Syst. Informatics

View full text Add to dashboard Cite

show abstract

“…Output Layer pada Convolutional Neural Network (CNN) merupakan lapisan terakhir yang menghasilkan prediksi atau output dari jaringan. Lapisan ini umumnya berperan dalam mengeluarkan hasil klasifikasi atau regresi berdasarkan fitur-fitur yang telah diekstraksi dari lapisan-lapisan sebelumnya [17].…”

Section: Convolutional Neural Networkunclassified

Penerapan Convolutional Neural Network Untuk Deteksi Kualitas Telur Ayam Ras Berdasarkan Warna Cangkang

Nurdiyansyah,

Fatriana Kadir,

Akbar

et al. 2024

Mnemonic

View full text Add to dashboard Cite

Sebelum dijual atau dikonsumsi, telur ayam harus dievaluasi untuk kualitasnya, terutama dari segi warna dan kondisi cangkangnya. Dalam penelitian ini, digunakan metode Convolutional Neural Network (CNN) untuk mengklasifikasikan warna cangkang telur ayam. Dengan penggunaan CNN diharapkan dapat mengembangkan model Convolutional Neural Network (CNN) yang dapat mengklasifikasikan kualitas telur ayam secara akurat dengan memberikan rekomendasi parameter yang optimal untuk mencapai performa terbaik. Dataset terdiri dari 120 butir telur yang dibagi menjadi tiga kategori: coklat, krem, dan putih. Pengolahan data melibatkan preprocessing image dengan teknik enhancement data untuk memperluas variasi data tanpa kehilangan informasi penting. Selama pengujian, tiga parameter utama dievaluasi: optimizer (Adam, SGD, RMSprop), learning rate (0.01, 0.001, 0.0001), dan epoch (20, 50, 100). Hasil penelitian menunjukkan bahwa kombinasi terbaik untuk performa optimal adalah dengan menggunakan Adam optimizer, learning rate 0,01, dan 100 epoch. Rasio data 80:20 memberikan hasil terbaik, menekankan pentingnya proporsi data yang baik dalam pembentukan model yang akurat. Analisis parameter learning rate menunjukkan bahwa nilai 0.01 memberikan performa terbaik untuk semua proporsi data, sementara hasil terbaik pada nilai epoch diperoleh dengan 100 epoch untuk semua proporsi data. Dengan demikian, penelitian ini menegaskan bahwa CNN efektif dalam mengklasifikasikan kualitas telur berdasarkan warna cangkang, yang dapat memberikan kemudahan bagi pedagang dan peternak telur dalam memilih telur berkualitas.

show abstract

“…Dalam penelitian tersebut dilakukan penerapan metode Convolutional Neural Network dengan arsitektur Inception V3 pada citra kopi kuning. Metode tersebut memberikan akurasi sebesar 92.00% dengan menggunakan tiga kelas [18].…”

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

Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3

Cited by 5 publications

References 2 publications

Classification of Tomato Ripeness Based on Convolutional Neural Network Methods

Classification of Tomato Ripeness Based on Convolutional Neural Network Methods

Penerapan Convolutional Neural Network Untuk Deteksi Kualitas Telur Ayam Ras Berdasarkan Warna Cangkang

Implementasi Convolutional Neural Network Dalam Klasifikasi Jenis Kopi Temanggung

Contact Info

Product

Resources

About