Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Toni Gunawan
Universitas Nusantara PGRI Kediri
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
IMPLEMENTASI KLASIFIKASI DUA TAHAP BERBASIS MOBILENETV2 PADA APLIKASI ANDROID UNTUK DETEKSI DAN KLASIFIKASI VARIETAS MANGGA Toni Gunawan; Ratih Kumalasari Niswatin; Danar Putra Pamungkas
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/6dkt6g67

Abstract

Indonesia memiliki beragam varietas mangga lokal. Namun, kemiripan morfologi antarvarietas membuat proses identifikasi secara manual rentan mengalami kesalahan. Penelitian ini bertujuan untuk mengembangkan aplikasi Android berbasis MobileNetV2 dengan pendekatan Two-Stage Classification untuk mendeteksi objek mangga dan mengklasifikasikan varietasnya secara otomatis. Dataset yang digunakan terdiri atas 400 citra untuk model deteksi dan 600 citra untuk model klasifikasi varietas mangga. Tahap preprocessing meliputi resize citra, normalisasi, dan augmentasi data. Model hasil pelatihan kemudian dikonversi ke format TensorFlow Lite agar dapat diintegrasikan ke dalam aplikasi mobile. Hasil evaluasi internal menunjukkan bahwa model deteksi memperoleh akurasi sebesar 88%, sedangkan model klasifikasi memperoleh akurasi sebesar 91%. Pengujian aplikasi pada data riil dilakukan menggunakan 25 citra, yang terdiri atas 20 citra mangga dan 5 citra non-mangga. Dari 20 citra mangga, sistem berhasil mengklasifikasikan 18 citra dengan benar dan mengalami 2 kesalahan prediksi. Sementara itu, seluruh 5 citra non-mangga berhasil dideteksi dengan benar sebagai objek non-mangga. Meskipun demikian, faktor latar belakang, pencahayaan, dan sudut pengambilan gambar masih memengaruhi nilai probabilitas sistem dalam melakukan prediksi pada data riil.
Co-Authors Danar Putra Pamungkas, Danar Putra Ratih Kumalasari Niswatin