Nursehati, Siti (2026) klasifikasi kematangan buah kelapa sawit menggunakan mobilenetv2 dan support vektor machine (svm)”. Diploma thesis, Universitas Islam Indragiri.
![[thumbnail of 403221010065_Siti Nursehati_01-Cover_Abstrak_Pengesahan.pdf]](https://repository.unisi.ac.id/style/images/fileicons/text.png "403221010065_Siti Nursehati_01-Cover_Abstrak_Pengesahan.pdf") |
Text
403221010065_Siti Nursehati_01-Cover_Abstrak_Pengesahan.pdf Download (850kB) |
|
Text
403221010065_Siti Nursehati_02-Pendahuluan.pdf Download (574kB) |
|
Text
403221010065_Siti Nursehati_03-Bab1.pdf Download (483kB) |
|
Text
403221010065_Siti Nursehati_04-Bab2.pdf Download (542kB) |
|
Text
403221010065_Siti Nursehati_05-Bab3.pdf Download (786kB) |
|
Text
403221010065_Siti Nursehati_06-Bab4.pdf Restricted to Repository staff only Download (993kB) |
|
Text
403221010065_Siti Nursehati_07-Bab5.pdf Download (244kB) |
|
Text
403221010065_Siti Nursehati_08-Pustaka_Lampiran.pdf Download (1MB) |
|
Text
SKRIPSI SITI NURSEHATI SI 45%.pdf Download (2MB) |
Abstract
Buah kelapa sawit merupakan komoditas penting dalam sektor perkebunan Indonesia. Penentuan tingkat kematangan buah yang masih dilakukan secara manual sering kali bersifat subjektif, memerlukan waktu, dan bergantung pada pengalaman pemanen sehingga berpotensi menurunkan kualitas hasil panen. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem klasifikasi kematangan buah kelapa sawit berbasis Android menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 sebagai ekstraktor fitur dan Support Vector Machine (SVM) sebagai pengklasifikasi. Penelitian ini menggunakan dataset sebanyak 6.000 citra buah kelapa sawit yang diklasifikasikan ke dalam tiga kelas, yaitu Mentah, Matang, dan Busuk. Data diproses melalui tahapan preprocessing, ekstraksi fitur menggunakan MobileNetV2, standardisasi fitur menggunakan StandardScaler, serta pelatihan model SVM yang dioptimasi menggunakan GridSearchCV dengan metode 5-fold cross-validation. Hasil evaluasi menunjukkan model memperoleh akurasi sebesar 90,33%, dengan precision 91%, recall 90%, dan F1-score 90%. Model kemudian diimplementasikan ke dalam aplikasi Android sehingga pengguna dapat melakukan klasifikasi tingkat kematangan buah kelapa sawit melalui kamera maupun galeri. Berdasarkan hasil tersebut, kombinasi MobileNetV2 dan SVM mampu memberikan performa yang baik dalam mengklasifikasikan kematangan buah kelapa sawit serta berpotensi menjadi solusi yang lebih cepat, objektif, dan iii efisien dalam mendukung proses identifikasi kematangan buah
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Klasifikasi, Kematangan Buah Kelapa Sawit, MobileNetV2, Support Vector Machine, Android. |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Ilmu Komputer > Program Studi Sistem Informasi |
| Depositing User: | Nilam Sari |
| Date Deposited: | 29 Sep 2026 03:15 |
| Last Modified: | 29 Sep 2026 03:15 |
| URI: | http://repository.unisi.ac.id/id/eprint/1268 |
Actions (login required)
 |
View Item |