Wahyuni, Sri (2026) Klasifikasi Kualitas Rempah Rimpang Menggunakan Convolutional Neural Network (Cnn) Berbasis Website. Diploma thesis, Universitas Islam Indragiri.
![[thumbnail of 403221010010_SRI WAHYUNI_1_AWAL.pdf]](https://repository.unisi.ac.id/style/images/fileicons/text.png "403221010010_SRI WAHYUNI_1_AWAL.pdf") |
Text
403221010010_SRI WAHYUNI_1_AWAL.pdf Download (1MB) |
|
Text
403221010010_SRI WAHYUNI_2_BAB I.pdf Download (472kB) |
|
Text
403221010010_SRI WAHYUNI_3_BAB II.pdf Download (495kB) |
|
Text
403221010010_SRI WAHYUNI_4_BAB III.pdf Download (732kB) |
|
Text
403221010010_SRI WAHYUNI_5_BAB IV.pdf Restricted to Repository staff only Download (1MB) |
|
Text
403221010010_SRI WAHYUNI_6_BAB V.pdf Download (457kB) |
|
Text
403221010010_SRI WAHYUNI_7_AKHIR.pdf Download (1MB) |
|
Text
SKRIPSI_Sri_Wahyuni_Sistem_Informasi 34%.pdf Download (13MB) |
Abstract
Rempah rimpang merupakan komoditas penting yang banyak dimanfaatkan dalam industri pangan, kesehatan, dan perdagangan. Namun, proses identifikasi jenis dan kualitas rempah masih sering dilakukan secara manual sehingga membutuhkan pengalaman, memakan waktu, dan berpotensi menimbulkan kesalahan akibat kemiripan karakteristik visual antarjenis rempah. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis dan kualitas rempah rimpang berbasis website menggunakan algoritma Convolutional Neural Network (CNN) sehingga proses identifikasi dapat dilakukan secara cepat, akurat, dan mudah diakses oleh pengguna. Dataset yang digunakan terdiri dari 1.000 citra yang mencakup lima jenis rempah rimpang, yaitu jahe, kunyit, kencur, lengkuas, dan temulawak, dengan pembagian data 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Model dikembangkan menggunakan pendekatan transfer learning dengan arsitektur MobileNetV2, ukuran citra 224 × 224 piksel, optimizer Adam, batch size 32, dan 25 epoch. Sistem kemudian diimplementasikan ke dalam platform website menggunakan framework Flask sehingga pengguna dapat mengunggah citra rempah dan memperoleh hasil klasifikasi secara real-time. Hasil penelitian menunjukkan bahwa model CNN mampu mengenali jenis dan kualitas rempah rimpang dengan performa yang baik berdasarkan evaluasi menggunakan metrik accuracy, loss, dan confusion matrix. Selain itu, hasil pengujian fungsional menggunakan Black Box Testing menunjukkan bahwa seluruh fitur website berjalan sesuai dengan fungsinya. Dengan demikian, sistem yang dikembangkan dapat menjadi solusi praktis dalam membantu proses identifikasi jenis dan kualitas rempah rimpang bagi UMKM, pedagang rempah, maupun masyarakat umum melalui platform berbasis web.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Convolutional Neural Network (CNN), klasifikasi citra, MobileNetV2, rempah rimpang, website, deep learning. |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Ilmu Komputer > Program Studi Sistem Informasi |
| Depositing User: | Nilam Sari |
| Date Deposited: | 01 Oct 2026 07:49 |
| Last Modified: | 01 Oct 2026 07:49 |
| URI: | http://repository.unisi.ac.id/id/eprint/1349 |
Actions (login required)
 |
View Item |