Article Per Year (5 Year)
p-Index From 2020 - 2025
2.147
P-Index
This Author published in this journals
All Journal Berumpun: international journal of social, politics and humanities Building of Informatics, Technology and Science Pioneer: Journal of Language and Literature JUSTIN (Jurnal Sistem dan Teknologi Informasi) Journal of Education Research Journal Of Human And Education (JAHE) Formosa Journal of Science and Technology (FJST) Journal of Artificial Intelligence and Digital Business APPA : Jurnal Pengabdian Kepada Masyarakat
Amalia, Resti
Unknown Affiliation
Arts Humanities Computer Science & IT Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Medicine & Pharmacology Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Klasifikasi Jenis Buah Menggunakan Metode CNN Ikasari, Ines Heidiani; Rosyani, Perani; Amalia, Resti
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 2 (2025): Mei - Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i2.1271

Abstract

Klasifikasi jenis buah merupakan aplikasi penting dalam pengolahan citra, terutama di sektor pertanian, perdagangan, dan teknologi pangan. Proses identifikasi buah secara manual cenderung lambat dan rentan kesalahan, terutama karena variasi bentuk, warna, dan ukuran buah. Indonesia memiliki lebih dari 27 jenis buah yang diproduksi secara masif, namun pengenalan jenis buah masih banyak dilakukan secara manual. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis menggunakan metode Deep Learning, khususnya Convolutional Neural Network (CNN). CNN dipilih karena kemampuannya dalam mengenali pola visual dari citra digital melalui ekstraksi fitur menggunakan lapisan konvolusi dan pooling. Dataset citra buah diperoleh dari Kaggle dan terdiri dari 8 jenis buah yang diproses melalui tahap preprocessing seperti resizing, normalisasi, dan augmentasi data. Model CNN diuji pada dua skenario pembagian data: 80:20 dan 70:30. Pada skenario 80:20, model mencapai akurasi rata-rata 91% dan akurasi validasi 97%, sedangkan pada skenario 70:30 mencapai akurasi rata-rata 91% dan validasi 98%. Hasil ini menunjukkan bahwa CNN efektif untuk klasifikasi citra buah dengan akurasi tinggi.
Co-Authors Aqsha, Ananta Mikail Ariksa, Jeri Asshadath, Farhan Awaliyatunniza, Putri Biagi, Muhammad Micko Bintang, Muhammad Iqbal Ginanjar, Angga Harpada, Rifky Herza, Herza Ikasari, Ines Ikasari, Ines Hediani Ines Heidiani Ikasari Lubis, Donal Fernado Muammar Kurniawan Ningsih, Eka Setya Perani Rosyani Piyana, Ika Pratama, Lucky Whyzly Rahmi Eka Putri, Rahmi Eka Ramadhan, Miftah Fathu Rani, Dina Sayyidina Rulian, Marsandy Saprudin Saprudin Saprudin Saprudin, Saprudin Septian, Farhan Syahrul R, Syahrul Taufiq, M. Aries Tri Arie Bowo Wijaya, Mochammad Iqbal Suyudi Zaidan, Ahmad Faiz