Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer
Putu Sangyoga, Titus Bintang Pekiek
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 1 Documents
Search

 1 
Klasifikasi Buah Berry menggunakan Metode Residual Network (ResNet-50) Putu Sangyoga, Titus Bintang Pekiek; Akbar, Mutaqin
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1108

Abstract

Buah berry dikenal memiliki manfaat gizi tinggi, namun tantangan dalam membedakan jenis-jenisnya secara akurat masih sering terjadi, khususnya dalam industri pertanian dan distribusi di Indonesia. Penelitian ini bertujuan untuk membangun sistem klasifikasi otomatis buah berry menggunakan metode deep learning dengan arsitektur Residual Network (ResNet-50). Dataset yang digunakan terdiri dari 1.000 citra empat jenis buah berry: blackberry, blueberry, raspberry, dan strawberry, yang diperoleh dari sumber publik seperti Kaggle, Roboflow, serta penelitian terdahulu. Data citra kemudian melalui tahap pra-processing berupa resize, normalisasi piksel, dan augmentasi data agar sesuai dengan format input ResNet-50. Model dilatih menggunakan parameter pretrained dari ImageNet dengan pembekuan seluruh lapisan kecuali fully connected layer. Evaluasi performa dilakukan melalui confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model berhasil mencapai akurasi klasifikasi sebesar 100% pada data uji, yang berarti seluruh citra berhasil diklasifikasikan dengan benar. Hal ini menunjukkan bahwa pendekatan klasifikasi menggunakan ResNet-50 sangat efektif dalam mengidentifikasi jenis buah berry berdasarkan fitur visual citra. Penelitian ini diharapkan dapat menjadi solusi yang andal dalam mendukung otomasi klasifikasi buah dalam sektor pertanian maupun industri pangan.
Co-Authors Mutaqin Akbar