<![CDATA[The classification of fruit and vegetable images still requires high costs, posing challenges in developing efficient solutions. Fruits and vegetables are crucial in healthy food, so efficiency in managing their images impacts the agricultural industry. The aim of this study is to apply ESP32-CAM and TinyML in Fruit and Vegetable Image Classification with efficiency and low cost. The method involves Edge Impluse Studio and training the model with Convolutional Neural Network (CNN). From the testing, the F1 score accuracy reached 68.3% for each class of fruit and vegetables. From the demonstration using ESP32-CAM, the obtained accuracies are Apple (89%), Banana (91%), Orange (89%), Carrot (83%), and Cabbage (66%). The results indicate that applying ESP32-CAM and TinyML has the potential to improve efficiency and reduce costs in managing images.Keywords: ESP32-CAM; TinyML; Image Clasification; Fruit and Vegetables; Solution Efficiency; AbstrakPengklasifikasian gambar buah dan sayuran masih memerlukan biaya yang tinggi, sehingga menghadirkan kesulitan dalam mengembangkan solusi yang efisien. Buah dan sayuran penting dalam makanan sehat, sehingga efisiensi dalam pengelolaan gambar mereka berdampak pada industri pertanian. Tujuan penelitian ini adalah menerapkan ESP32-CAM dan TinyML dalam Klasifikasi Gambar Buah dan Sayuran dengan efisiensi dan biaya rendah. Metode melibatkan Edge Impluse Studio dan pelatihan model dengan Convolutional Neural Network (CNN). Dari pengujian, akurasi F1 score mencapai 68.3% untuk setiap kelas buah dan sayuran. Dari demonstrasi menggunakan ESP32-CAM, akurasi yang diperoleh adalah Apel (89%), Pisang (91%), Jeruk (89%), Wortel (83%), dan Kubis (66%). Hasil menunjukkan penerapan ESP32-CAM dan TinyML memiliki potensi untuk meningkatkan efisiensi dan mengurangi biaya pengelolaan gambar. ]]>
Copyrights © 2024
