cover
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota bandung,
Jawa barat
INDONESIA
MIND (Multimedia Artificial Intelligent Networking Database) Journal
ISSN : 25280015     EISSN : 25280902     DOI : -
Core Subject : Science,
Arjuna Subject : -
Articles 10 Documents
Search results for , issue "Vol 9, No 1 (2024): MIND Journal" : 10 Documents clear
Implementasi Extra Trees Classifier dengan Optimasi Grid Search CV pada Prediksi Tingkat Adaptasi AINA, LISTYA NUR; NASTITI, VINNA RAHMAYANTI SETYANING; ADITYA, CHRISTIAN SRI KUSUMA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.78-88

Abstract

AbstrakTeknologi terus maju, terutama dalam komunikasi, pendidikan, dan informasi. Pendidikan online semakin diminati di banyak lembaga pendidikan, mendorong perlunya pemahaman sejauh mana peserta didik dapat beradaptasi dengan lingkungan online. Memprediksi tingkat adaptasi peserta didik menjadi penting untuk meningkatkan efektivitas dan kualitas pengalaman belajar. Dalam penelitian ini, menggunakan dataset dari Kaggle, metode Extra Trees Classifier dioptimalkan dengan Hyperparameter Tuning Grid Search CV. Sebelum optimalsi, akurasi mencapai 95.85%, setelahnya meningkat menjadi 96.26%, menunjukkan peningkatan sebesar 0.41%. Implementasi metode Extra Trees Classifier dengan optimasi Hyperparameter Tuning Grid Search CV lebih unggul dibandingkan penggunaan algoritma tanpa optimasi.Kata kunci: Prediksi, Extra Trees, Classifier, Hyperparameter, CVAbstractTechnology continues to advance, especially in communication, education and information. Online education is increasingly in demand in many educational institutions, prompting the need to understand the extent to which learners can adapt to the online environment. Predicting learners' adaptation level is important to improve the effectiveness and quality of the learning experience. In this study, using a dataset from Kaggle, the Extra Trees Classifier method was optimized with Hyperparameter Tuning Grid Search CV. Before optimization, the accuracy reached 95.85%, after which it increased to 96.26%, showing an improvement of 0.41%. The implementation of the Extra Trees Classifier method with Hyperparameter Tuning Grid Search CV optimization is superior to the use of the algorithm without optimization.Keywords: Prediction, Extra Trees, Classifier, Hyperparameter, CV
Evaluasi Kinerja Model Inception Resnet-V2 dan Inception-V4 dalam Mengklasifikasi Kualitas Biji Kakao ICHWAN, MUHAMMAD; SUMANTRI, HANIFAH
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.25-41

Abstract

AbstrakKakao adalah komoditas ekspor penting bagi Indonesia, dan untuk memenuhi standar mutu, diperlukan sistem klasifikasi biji kakao. Penelitian menggunakan metode CNN dengan fokus pada arsitektur Inception Resnet-V2 dan Inception-V4 untuk mengatasi permasalahan klasifikasi citra kualitas biji kakao. Keduanya merupakan inovasi dari keluarga Inception, dengan Inception Resnet-V2 menggabungkan elemen dari ResNet dan Inception, sementara Inception-V4 memperbaiki performa dengan mengurangi kompleksitas arsitektur. Tujuan penelitian adalah untuk mengevaluasi performa model dari kedua arsitektur tersebut dalam konteks klasifikasi biji kakao. Hasil penelitian menunjukkan bahwa arsitektur Inception Resnet-V2 dengan pengaturan optimizer RMSprop, batch size 16, dan learning rate 0,0001 memiliki performa terbaik, dengan nilai akurasi 91,87%, presisi 92,00%, recall 92,00%, f1-score 92,00%, dan ROC AUC Score 0,950.Kata kunci: Deep Learning, CNN, Inception Resnet-V2, Inception-V4, Biji KakaoAbstractCocoa is an important export commodity for Indonesia, and to meet quality standards, a cocoa bean classification system is needed. The research utilizes CNN method, focusing on Inception Resnet-V2 and Inception-V4 architectures to address cocoa bean quality image classification issues. Both are innovations from the Inception family, with Inception Resnet-V2 combining elements of ResNet and Inception, while Inception-V4 improves performance by reducing architectural complexity. The research objective is to evaluate the performance of models from both architectures in the context of cocoa bean classification. Research results show that the Inception Resnet-V2 architecture with RMSprop optimizer settings, batch size 16, and learning rate 0.0001 performs the best, with an accuracy of 91.87%, precision of 92.00%, recall of 92.00%, f1-score of 92.00%, and ROC AUC Score of 0.950. Keywords: Deep Learning, CNN, Inception Resnet-V2, Inception-V4, Cocoa Beans
Deteksi Marker Augmented Reality dalam Pengenalan Batik Kalimantan Timur menggunakan Algoritma Convolutional Neural Networks (CNNs) SA'AD, MUHAMMAD IBNU; PRATIWI, HENY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.89-98

Abstract

AbstrakMultimedia dan kecerdasan buatan saat ini masih menjadi trend dalam dunia pendidikan, wirausaha, industri, teknologi kedokteran, dan bidang lainnya. Salah satu perkembangan teknologi computer vision adalah Augmented Reality. Augmented reality merupakan teknologi yang menggabungkan antara dunia nyata dan dunia maya dengan menggunakan marker sebagai target objek 3D yang akan ditampilkan. Algoritma Convolutional Neural Network, sebagai pendukung dalam penelitian ini yang bertujuan untuk mengukur keakuratan marker motif batik kalimantan timur. Metode yang digunakan pada penelitian ini adalah marker based tracking untuk melacak penanda visual. Hasil pengujian dengan 100 data marker dengan rasio 80:20 marker motif batik Kalimantan Timur menunjukan akurasi terbaik yaitu sebesar 0,9092, dan rata-rata akurasi keseluruhan dari epoch 1 sampai epoch 20 yaitu sebesar 0,90237. Hasil akhir pengujian marker dan objek 3D Augmented Reality.Kata kunci: multimedia, kecerdasan buatan, augmented reality,convolutional neural networksAbstractMultimedia and artificial intelligence are currently still a trend in the world of education, entrepreneurship, industry, medical technology and other fields. One of the developments in computer vision technology is Augmented Reality. Augmented reality is a technology that combines the real world and the virtual world by using markers as targets for the 3D objects to be displayed. The Convolutional Neural Network algorithm, as support in this research, aims to measure the accuracy of East Kalimantan batik motif markers. The method used in this research is marker based tracking to track visual markers. The test results with 100 marker data with a ratio of 80:20 for East Kalimantan batik motif markers showed the best accuracy, namely 0.9092, and the overall average accuracy from epoch 1 to epoch 20 was 0.90237. Final results of testing markers and 3D Augmented Reality objects.Keywords: multimedia, artificial intelligence, augmented reality, convolutional neuralnetworks
Identifikasi Emosi Melalui Sinyal Elektroensephalogram Menggunakan Graph Convolutional Network LIONITAMA, VENA MEILINDA; DJAMAL, ESMERALDA CONTESSA; KASYIDI, FATAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.42-51

Abstract

AbstrakEmosi merupakan bentuk respon manusia terhadap sesuatu. Pengenalan emosi menggunakan komputer dapat membantu para dokter untuk mengetahui emosi yang sedang dirasakan oleh seseorang berdasarkan aktivitas otak. Aktivitas otak dapat diketahui dengan cara merekam aktivitas sinyal Electroensephalogram (EEG). Sinyal EEG memiliki karakteristik yang berubah-ubah dan non stasioner sehingga membutuhkan metode yang dapat mengintegrasikan karakteristik temporal dan spasial. Pengenalan emosi menggunakan sinyal EEG berkaitan erat dengan pola konektivitas pada belahan otak manusia, karena setiap emosi akan memiliki pola konektivitas yang berbeda dalam belahan otak. Maka dari itu mempelajari pola konektivitas dalam belahan otak akan membantu dalam pengenalan emosi. Dan untuk menangani hal itu dibutuhkan metode deep learning yang dapat mengintegrasikan karakteristik temporal dan spasial dan dapat menerima masukan berupa pola konektivitas tersebut, metode yang dapat menanganinya yaitu, Graph Convolutional Network (GCN). Penelitian ini telah membuat sistem identifikasi emosi dengan tiga kelas menggunakan GCN dan menghasilkan akurasi data uji sebesar 35,52%.Kata kunci: Emosi; Deep Learning; Sinyal EEG; Spasial; Temporal; GCNAbstractEmotion is a form of human response to something. Emotion recognition using computers can help doctors to see the emotions that are being felt by a person based on brain activity. Brain activity can be known by recording electroencephalogram (EEG) signal activity. EEG signals have changing and non-stationary characteristics, requiring a method to integrate temporal and spatial characteristics. Emotion recognition using EEG signals is closely related to connectivity patterns in the human brain hemispheres because each emotion will have different connectivity patterns in the brain hemispheres. Therefore, studying the connectivity patterns in the cerebral hemispheres will help in emotion recognition. Moreover, a deep learning method is needed to integrate temporal and spatial characteristics and receive input in the form of connectivity patterns, a method that can handle Graph Convolutional Network (GCN). This research has created an emotion identification system with three classes using GCN and produced an accuracy of 35.52% of testing data.Keywords: Emotion; Deep Learning; EEG Signal; Spatial; Temporal; GCN
Otomatisasi Backup Konfigurasi Perangkat Jaringan Komputer Cisco PRASETYO, FIRMAN DWI JAYA; SUTARJO, HADI; TRIANTORO, DANDI; SAKTI, DOLLY VIRGIAN SHAKA YUDHA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.99-112

Abstract

ABSTRAK Manajemen perangkat jaringan umumnya dilakukan oleh administrator sesuai dengan tingkat kompleksitas jaringan. Penelitian ini bertujuan untuk mempercepat proses pemeliharaan yang dilakukan pada beberapa perangkat router dan switch cisco. Setiap bulan, laporan bulanan diperlukan untuk merekam kegiatan pemeliharaan, yang secara inti membahas rincian perangkat mana yang masih beroperasi. Selain itu, kegiatan ini juga mencakup pembuatan cadangan konfigurasi pada setiap perangkat, dengan tujuan memberikan tim pemeliharaan akses cepat ke konfigurasi terakhir jika terjadi situasi darurat, sehingga mempercepat proses pemulihan. Hasil dari pelatihan model menggunakan dataset sintetis yang dibuat dengan menggunakan Python library menunjukkan bahwa model terbaik berhasil mencapai akurasi sebesar 99% terhadap 10 perangkat jaringan yang di uji coba untuk hal ini yang di uji ialah perangkat cisco saja, yang diperoleh dari percobaan para network engineer.Kata kunci: Back up konfigurasi, Otomatisasi, Log riwayatABSTRACTNetwork device management is generally carried out by administrators according to the level of network complexity. This research aims to speed up the maintenance process carried out on several Cisco router and switch devices. Each month, a monthly report is required to record maintenance activities, essentially discussing the details of which devices are still operational. In addition, this activity also includes creating a backup of the configuration on each device, with the aim of providing the maintenance team with quick access to the latest configuration in case of an emergency situation, thereby speeding up the recovery process. The results of model training using a synthetic dataset created using the Python library show that the best model managed to achieve an accuracy of 99% on 10 network devices that were tested. This was only a Cisco device that was tested, which was obtained from experiments by network engineers. Keywords: Back up configuration, Automation, Log history
Klasifikasi Penyakit Stunting Menggunakan Algoritma Multi-Layer Perceptron ASHURI, PUTRI INTAN; CAHYANI, INDAH ARDHIA; ADITYA, CHRISTIAN SRI KUSUMA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.52-63

Abstract

AbstrakStunting adalah gangguan pertumbuhan dan perkembangan yang disebabkan kekurangan gizi yang ditandai dengan tinggi anak kurang dari dua kali standar deviasi yang ditetapkan oleh WHO. Kekurangan asupan gizi mengakibatkan menurunnya pertumbuhan anak, hal ini berhubungan dengan meningkatnya resiko sakit, kematian, hambatan pertumbuhan fisik maupun gangguan metabolisme tubuh. Beberapa metode telah dilakukan untuk membantu mengklasifikasi stunting pada anak salah satunya C4.5. Tujuan penelitian ini adalah mengklasifikasikan penyakit stunting menggunakan metode Multi-Layer Perceptron (MLP) dengan hyperparameter tuning RandomSearchCV. MLP memiliki beberapa kelebihan diantaranya mampu merepresentasikan hubungan lebih kompleks antara fitur input dan output, serta memproses data dalam berbagai bentuk, termasuk data tidak terstruktur. Penelitian ini menunjukan model MLP menggunakan hyperparameter tuning RandomSearchCV mendapatkan performa terbaik berdasarkan hasil evaluasi didapatkan accuracy sebesar 81.78%, precision 85.00%, recall 94.34%, dan F1-Score 89.43%.Kata kunci: Stunting, Kekurangan gizi, Multi-Layer Perceptron (MLP), Hyperparameter tuning, RandomSearchCVAbstract Stunting is a growth and development disorder caused by malnutrition which is characterized by a child's height being less than twice the standard deviation set by WHO. Lack of nutritional intake results in decreased growth in children, this is associated with an increased risk of illness, death, physical growth restrictions and metabolic disorders. Several methods have been used to help classify stunting in children, one of which is C4.5. The aim of this research is to classify stunting using the Multi-Layer Perceptron (MLP) method with RandomSearchCV hyperparameter tuning. MLP has several advantages, including being able to represent more complex relationships between input and output features, as well as processing data in various forms, including unstructured data. This research shows that the MLP model using RandomSearchCV hyperparameter tuning got the best performance based on the evaluation results, which obtained accuracy of 81.78%, precision of 85.00%, recall of 94.34%, and F1-Score of 89.43%.Keywords: author’s guideline, document’s template, format, style, abstract
Pemanfaatan Metode Collaborative Filtering dengan Algoritma KNN pada Sistem Rekomendasi Produk PUTRA, KURNIA RAMADHAN; RAHMAN, ILHAM FATHUR
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.113-123

Abstract

AbstrakSalah satu permasalahan customer pada e-commerce adalah sulitnya menemukan produk yang diinginkan untuk dibeli. Sistem rekomendasi mampu menangani permasalahan tersebut dengan cara mengalisis data profil customer untuk menyaring produk yang sesuai dengan profil customer kemudian merekomendasikannya kepada customer tersebut. Untuk mengetahui hubungan antara produk dengan pengguna maka dapat memanfaatkan sistem rekomendasi. Ada beberapa permasalahan pada sistem rekomendasi yaitu sparsity data, missing value, dan duplikasi data yang sering ditemukan pada data berbasis rating seperti pada e-commerce. Untuk menyelesaikan masalah ini, maka diusulkan metode Item-based Collaborative Filtering dan algoritma K-Nearest Neighbor (KNN) dengan hasil evaluasi nilai MAE sebesar 1,05 dan RMSE sebesar 1,36 yang mampu menangani sistem rekomendasi dengan baik dengan tingkat kesalahan yang kecil.Kata kunci: recommendation system, item-based collaborative filtering, KNN, Sparsity Data, Cold-Start.AbstractIn e-commerce, one common customer problem is difficulty in finding the product they want to buy. This issue can be addressed through a recommendation system, which analyzes customer profile data to filter products that match the customer's profile and then recommends them. One way to establish the relationship between products and users is by using a recommendation system. However, recommendation systems often encounter problems such as data sparsity, missing values, and data duplication, particularly in rating-based data. To address these issues, the Item-based Collaborative Filtering method and the K-Nearest Neighbor (KNN) algorithm are proposed. Evaluation results show that these methods have MAE values of 1.05 and RMSE of 1.36, indicating their effectiveness in handling the recommendation system with a low error rate.Keywords: recommendation system, collaborative filtering, item-based CF, KNN
Algoritma Convolutional Neural Network sebagai Alat Bantu Analisa Tingkat Keparahan Tumor Otak IRMANIAR, IRMANIAR; MANIK, JOSUA TIMOTIUS; HARYANTO, FREDDY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.1-12

Abstract

AbstrakKecerdasan buatan telah menjadi dasar dalam pengembangan computer-aided-diagnosed (CAD), yaitu alat tambahan yang digunakan untuk melakukan diagnosa penyakit, misalnya tumor otak. Pada penelitian ini dilakukan klasifikasi otomatis citra MRI otak ke dalam 4 kategori, yaitu tumor otak grade II, III, IV dan non-tumor menggunakan Convolutional Neural Network (CNN). Tiga jenis arsitektur yang digunakan, yaitu arsitektur 12 lapisan, Resnet-152 dan VGG-16. Peningkatan jumlah gambar dilakukan dengan melakukan 6 jenis teknik augmentasi. Hasilnya menunjukkan bahwa ketiga model dapat melakukan klasifikasi tumor dengan akurasi masing-masing sebesar 84%, 95% dan 84% pada data tanpa augmentasi dan 49%, 81% dan 72% untuk data yang mengalami augmentasi. Hasil tersebut menunjukkan bahwa arsitektur Resnet-152 memberikan performa terbaik dibandingkan dengan arsitektur lainnya.Kata kunci: Tumor otak, Convolutional Neural Network (CNN), Resnet-152, VGG-16AbstractArtificial intelligence has become the basis for the development of computer-aided-diagnosed (CAD), an additional tool used to diagnose diseases, such as brain tumors. In this study, automatic classification of brain tumor was carried out into 4 categories, namely grade II, III, IV and non-tumor using the Convolutional Neural Network (CNN) algorithm. Three types of architecture are used, namely 12 layer architecture, Resnet-152 and VGG-16. The dataset comes from the REMBRANDT and IXI dataset. Increasing the number of images using 6 types of augmentation techniques is also done. The results show that the three models can classify tumors with an accuracy of 84%, 95% and 84% respectively for data without augmentation and 49%, 81% and 72% for data with augmentation. It can be concluded that the Resnet-152 architecture provides the best performance than the other architectures.Keywords: Brain tumor, Convolutional Neural Network (CNN), Resnet-152, VGG-16
Pendekatan Metode Double Diamond untuk Meningkatkan Pengalaman Pengguna pada Antarmuka Aplikasi Pendeteksi Penyakit Tanaman Sayuran MAKNUN, NUR EVINA; KUSUMA, WAHYU ANDHYKA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.64-77

Abstract

AbstrakDalam konteks pertumbuhan populasi global, pemenuhan kebutuhan pangan semakin penting. Namun, adanya penyakit tanaman menyebabkan penurunan hasil panen, kerugian ekonomi, bahkan krisis pangan. Penelitian sebelumnya berhasil menciptakan teknologi berupa aplikasi pendeteksi penyakit tanaman, namun belum memanfaatkan metode yang berorientasi pada UX. Oleh karena itu, penelitian ini akan fokus pada UX menggunakan metode Double Diamond yang mengeksplorasi masalah secara luas (divergen), diikuti pengambilan tindakan yang fokus (konvergen). Pengujian dilakukan pada prototype menggunakan metode System Usability Scale (SUS) dan User Experience Questionnaire (UEQ). Hasil rata-rata pengujian SUS adalah 90,75 dan pengujian UEQ menunjukkan penilaian "Excellent" pada skala Attractiveness, Stimulation, Dependability, Efficiency, dan Novelty, sementara itu penilaian "Good" pada skala Perpicuity. Dengan demikian, prototype aplikasi berhasil memenuhi kebutuhan pengguna dan memberikan pengalaman pengguna yang memuaskan.Kata kunci: Pendeteksi Penyakit Tanaman, Double Diamond, SUS, UEQAbstractIn the context of global population growth, providing food needs becomes increasingly important. However, plant diseases pose a threat by reducing crop yields, causing economic losses, and potentially causing a food crisis. Previous research succeeded in developing plant disease detection applications, but did not focus enough on user experience (UX). This study uses the Double Diamond method to investigate a problem broadly (divergent) and then take focused action (convergent) to improve UX. Prototype testing carried out using the System Usability Scale (SUS) and User Experience Questionnaire (UEQ) gave promising results with an average SUS score of 90.75. The UEQ reflects "Excellent" ratings in Attractiveness, Stimulation, Dependability, Efficiency, and Novelty, and a "Good" rating in Perpicuity. As a result, the app prototype effectively meets user needs, providing a satisfying user experience.Keywords: Plant Disease Detection, Double Diamond, SUS, UEQ
Media Pembelajaran Pengenalan Buah (Fruits Zone) untuk Anak KB Menggunakan Deep Learning KOMARIAH, SITI INGEFATUL; PUTRI, DESTI FITRI AISYAH; PERMATASARI, INTAN; FITRI, ZILVANHISNA EMKA; ATMADJI, ERY SETIYAWAN JULLEV; WIDIASTUTI, RESKI YULINA; IMRON, ARIZAL MUJIBTAMALA NANDA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.13-24

Abstract

ABSTRAK Keterbatasan media pembelajaran dan metode pembelajaran yang masih terpusat pada kemampuan guru menjadi kendala bagi Pos Alamanda 105 Jumerto, Jember. Dibutuhkan sebuah media pembelajaran yang interaktif dan dapat diakses dimanapun untuk meningkatkan kemampuan siswa khususnya dalam pengenalan buah. Solusinya, peneliti mengembangkan media pembelajaran interaktif pengenalan buah pada anak usia dini. Metode yang digunakan adalah Deep Learning (CNN) dengan arsitektur yaitu Resnet18. Arsitektur Resnet-18 dipilih karena tidak menghilangkan gradien dan fitur citra meski layer yang digunakan semakin dalam, sehingga connected layer dapat mengenali objek dengan akurat. Penelitian ini menggunakan 21 jenis buah populer dan buah unik yang dilengkapi fitur suara berbahasa Indonesia dan Bahasa Inggris. Jumlah data sebanyak 2100 citra buah dengan learning rate sebesar 0.0002 dan maksimal epoch sebesar 100 mampu mengklasifikasikan buah dengan tingkat akurasi sebesar 96% (pelatihan sistem) dan 95% (pengujian sistem). Kata Kunci: Media Pembelajaran, Fruits Zone , Deep Learning, ResNet18 ABSTRACT Limitations in learning media and teaching methods that are still centered on teachers' abilities pose challenges for Pos Alamanda 105 in Jumerto, Jember. An interactive learning media accessible anywhere is needed to enhance students' abilities, especially in fruit recognition. The solution is researchers developing an interactive early childhood fruit recognition learning media. The method used is Deep Learning (CNN) with the Resnet18 architecture. Resnet-18 architecture is chosen because it preserves gradients and image features even as the layers go deeper, allowing the connected layer to accurately recognize objects. This study covers 21 popular and unique fruits with voice features in Indonesian and English. With 2100 fruit images, a learning rate of 0.0002, and a maximum epoch of 100, the system achieves a classification accuracy of 96% (training) and 95% (testing).Keywords: Learning Media, Fruits Zone , Deep Learning, ResNet18

Page 1 of 1 | Total Record : 10