Arsitektur Convolutional Neural Network (CNN) untuk Klasifikasi Jenis dan Kesegaran Buah pada Neraca Buah

Sabilla, Irzal Ahmad (2020) Arsitektur Convolutional Neural Network (CNN) untuk Klasifikasi Jenis dan Kesegaran Buah pada Neraca Buah. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111850010020-Master_Thesis.pdf]
Preview
Text
05111850010020-Master_Thesis.pdf - Accepted Version

Download (4MB) | Preview

Abstract

Neraca merupakan suatu alat yang digunakan untuk menghitung berat suatu
objek untuk menentukan harga. Adapun dua jenis neraca yang sering digunakan,
yaitu neraca tradisional dan modern. Neraca modern mampu menampilkan harga
sesuai dengan berat setelah kode buah di masukan. Namun, neraca modern masih
memiliki kelemahan, yaitu tidak mampu membedakan jenis buah tanpa bantuan
petugas. Sehingga dibutuhkan sebuah otomatisasi pada neraca berbasis internet
untuk klasifikasi jenis dan kesegaran buah dengan cepat dan akurat. Image
processing dimanfaatkan dalam neraca otomatis untuk membedakan jenis dan
kesegaran buah tanpa perlu memasukkan kode buah oleh petugas. Metode
Convolutional Neural Network (CNN) sering digunakan untuk memproses
klasifikasi gambar. Namun, beberapa arsitektur CNN yang sudah ada memerlukan
waktu komputasi yang lama, misalnya Alexnet dan Googlenet. Hal ini dikarenakan
banyaknya jumlah layer dan filter yang digunakan.
Penelitian ini menggunakan arsitektur CNN dengan jumlah layer dan filter,
yang lebih sedikit. Layer dan filter direduksi untuk menghasilkan waktu komputasi
yang lebih singkat dibandingkan dengan Alexnet dan Googlenet. Penelitian ini
membangun konvolusi baru dan menggabungkan layer Fully-conected dengan
beberapa metode klasifikasi seperti Support Vector Machine (SVM), Random
Forest (RF), dan K Nearest Neighbor (KNN). Metode klasifikasi penelitian ini
diimplementasikan pada neraca buah yang secara otomatis mampu mengklasifikasi
jenis dan kesegaran buah menggunakan kamera. Hasil percobaan dari metode yang
diusulkan menghasilkan nilai akurasi sebesar 96% dengan menggunakan dua layer
konvolusi, 92 filter pada layer pertama, dan 64 filter pada layer kedua. Akurasi ini
didapatkan dengan menggunakan metode klasifikasi SVM pada layer fullyconnected CNN. Hal ini menunjukkan bahwa metode usulan memiliki nilai akurasi
yang lebih baik dibandingkan dengan akurasi arsitektur terdahulu seperti Alexnet
dan Googlenet.
=======================================================================================================
The scale sheet is a tool used to calculate the weight of an object to
determine prices. There are two types of scale sheets that are often used. There are
traditional and modern scale sheets. Modern scale sheets have been equipped with
mini-computers to store price based on the type of fruit. Modern scale sheets display
prices according to the weight and code of an object automa
tically. An example is the modern scale sheet that is implemented in
supermarkets. However, the modern scale sheet still has a drawback, which is not
able to distinguish the types of fruit without the help of officers. Officers still need
to enter the fruit code on the scale sheet to get the price per gram. Then, the
accumulated price is displayed based on the total weight of the fruit. To overcome
these problems, image processing is used in an automatic scale sheet to differentiate
fruit types without the need for input of the fruit code by the officer. In image
processing, the Convolutional Neural Network (CNN) method is often used to
process image classification. CNN is used because it often gets high akurasi values.
However, some existing CNN architectures require a long computational time, for
example Alexnet and Googlenet. This is because of the large number of layers and
filters used.
This study proposes the CNN architecture form by reducing layers and
filters, and modifying the fully-connected layer. Layers and filters are reduced to
produce a shorter computational time compared to that of Alexnet and Googlenet.
The fully-connected is modified using several classification methods such as
Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbor
(KNN). The new CNN architecture proposed in this study is implemented on a fruit
scale that is automatically able to classify the type and freshness of fruit using a
camera. The experimental results of the proposed method produce an akurasi value
of 96% using two convolution layers, 92 filters in the first layer, and 64 filters in
the second layer. This akurasi is also obtained by using the SVM classification
method on the fully-connected CNN layer.

Item Type: Thesis (Masters)
Additional Information: RTFi 006.32 Sab a-1 3100020084969
Uncontrolled Keywords: Convolution Neural Network, Alexnet, Googlenet, Klasifikasi gambar, Neraca, Alexnet, Convolution Neural Network (CNN), Googlenet, Internet of Thing (IoT), Transfer Learning
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General) > T174 Technological forecasting
T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Irzal Ahmad Sabilla
Date Deposited: 29 Oct 2020 10:41
Last Modified: 29 Oct 2020 10:41
URI: http://repository.its.ac.id/id/eprint/73567

Actions (login required)

View Item View Item