Rosnaida, Asma (2025) Optimasi Klasifikasi Tingkat Kematangan Buah Pepaya Menggunakan Metode Convolution Neural Network (Cnn). Diploma thesis, Universitas Islam Indragiri.
![[thumbnail of 403211010033_Asma_Rosnaida_awal.pdf]](http://repository.unisi.ac.id/style/images/fileicons/text.png "403211010033_Asma_Rosnaida_awal.pdf") |
Text
403211010033_Asma_Rosnaida_awal.pdf Download (1MB) |
|
Text
403211010033_Asma_Rosnaida_bab1.pdf Download (374kB) |
|
Text
403211010033_Asma_Rosnaida_bab2.pdf Download (269kB) |
|
Text
403211010033_Asma_Rosnaida_bab3.pdf Download (343kB) |
|
Text
403211010033_Asma_Rosnaida_bab4.pdf Restricted to Repository staff only Download (1MB) |
|
Text
403211010033_Asma_Rosnaida_bab5.pdf Download (301kB) |
|
Text
403211010033_Asma_Rosnaida_daftarfustaka.pdf Download (808kB) |
|
Text
turnitin bismilah-skripsi-asma_1760961063714.pdf Restricted to Repository staff only Download (12MB) |
Abstract
Pepaya merupakan komoditas buah tropis yang banyak dibudidayakan dan dikonsumsi di Indonesia. Tingkat kematangan buah pepaya sangat penting dalam menentukan kualitas dan cita rasa buah untuk dipasarkan. Namun, klasifikasi tingkat kematangan secara manual seringkali memerlukan keahlian khusus dan dapat mengakibatkan kesalahan dalam penilaian. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi kematangan buah pepaya menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Arsitektur ini dipilih karena efisiensi komputasinya dan kemampuannya dalam mengekstraksi fitur visual secara optimal. Dataset yang digunakan terdiri dari citra buah pepaya yang dikategorikan ke dalam beberapa kelas kematangan, seperti mentah, setengah matang, matang, dan busuk. Proses pelatihan model meliputi teknik transfer learning, augmentasi data, dan fine-tuning untuk meningkatkan kemampuan generalisasi model. Hasil evaluasi menunjukkan bahwa model MobileNetV2 yang dikustomisasi dapat mencapai akurasi tinggi, dengan nilai yang signifikan. Model ini berkinerja lebih baik daripada model CNN murni dan MobileNetV2 yang dioptimalkan, dalam hal presisi, perolehan kembali, dan skor F1. Hasil ini menunjukkan bahwa pendekatan berbasis CNN, khususnya arsitektur MobileNetV2, efektif dalam meningkatkan akurasi klasifikasi kematangan pepaya berdasarkan citra digital
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | CNN, Klasifikasi, MobileNetV2, Kematangan pepaya |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Ilmu Komputer > Program Studi Sistem Informasi |
| Depositing User: | Nilam Sari |
| Date Deposited: | 30 Oct 2025 08:38 |
| Last Modified: | 30 Oct 2025 08:59 |
| URI: | http://repository.unisi.ac.id/id/eprint/893 |
Actions (login required)
 |
View Item |