Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Wardani, Pramesti Dyah
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Klasifikasi Tipe Kematangan Pisang Menggunakan Metode Ensemble Convolutional Neural Network (CNN) Wardani, Pramesti Dyah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 9 (2024): September 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pisang merupakan buah yang memiliki nilai ekonomi tinggi dan banyak dikonsumsi secara global karena rasanya yang enak dan kaya akan nutrisi. Proses pematangan pisang bisa terjadi secara alami maupun melalui pengaplikasian senyawa kimiawi seperti kalsium karbida (CaC_2) yang penggunaannya sendiri berbahaya bagi kesehatan. Namun, konsumen seringkali masih merasa kesulitan dalam membedakan mana pisang yang matang secara alami dan mana pisang yang proses pematangannya menggunakan zat berbahaya. Untuk itu, dilakukanlah penelitian yang bertujuan untuk mengembangkan model yang bisa digunakan dalam mengklasifikasikan citra pisang menurut kultivar dan tipe kematangannya, baik yang matang secara alami maupun buatan, menggunakan ensemble model Convolutional Neural Network (CNN). Proses pengembangan model berfokus pada mekanisme fine tuning pada model individu yang meliputi ResNet 50, ResNet 101, dan ResNet 152. Mekanisme fine tuning model individu melibatkan eksperimen pada jumlah layer yang tidak dibekukan (unfrozen layer) serta penggunaan callback ReduceLROnPlateau untuk mengoptimalkan performa model melalui penyesuaian laju pembelajaran, setelahnya prediksi dari model-model individu digabungkan menggunakan metode ensemble average dan majority voting. Hasil menunjukkan bahwasannya di antara ketiga model individu, ResNet 50 menunjukkan performa terbaik dengan akurasi 91% dan F1-score 91%, sementara di antara metode ensemble yang digunakan, metode ensemble majority voting menunjukkan performa terbaik dengan akurasi 92% dan F1-score 92,42%, menjadikannya metode paling efektif untuk klasifikasi citra pisang.
Co-Authors