KUSUMO HARYO, WILKAN (2022) IMPLEMENTASI TENSORFLOW LITE UNTUK MENDETEKSI TINGKAT KEMATANGAN BUAH PISANG MENGGUNAKAN ANDROID. S1 thesis, UNIVERSITAS SULTAN AGENG TIRTAYASA.
![[img]](https://eprints.untirta.ac.id/style/images/fileicons/text.png) |
Text
COVER.pdf Restricted to Registered users only Download (1MB) |
|
Text
BAB 1.pdf Restricted to Registered users only Download (545kB) |
|
Text
BAB 2.pdf Restricted to Registered users only Download (1MB) |
|
Text
BAB 3.pdf Restricted to Registered users only Download (1MB) |
|
Text
BAB 4.pdf Restricted to Registered users only Download (679kB) |
|
Text
BAB 5.pdf Restricted to Registered users only Download (473kB) |
|
Text
DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (502kB) |
Abstract
Buah pisang merupakan komoditas yang memberikan kontribusi besar terhadap angka produksi buah nasional maupun internasional. Pemerintah melalui Badan Standarisasi Nasional menetapkan standar untuk buah pisang. Oleh sebab itu, maka perlu adanya sebuah acuan mutu atas produk yang dihasilkan petani agar mampu menjaga kepercayaan konsumen. Pemerintah sudah menentukan standar bagi buah pisang, yakni SNI 7422:2009 [1]. Tujuan dari penelitian ini adalah klasifikasi tahapan kematangan dari buah pisang menggunakan metode CNN (Convolution Neural Network) sesuai dengan SNI. Mengingat pada jaman sekarang orang-orang banyak menggunakan perangkat karena keunggulan dari aplikasi mobile ini adalah mudah dan dapat digunakan dimana saja, penulis mencoba mengimplementasikan klasifikasi objek berbasis CNN kedalam perangkat mobile.Tensorflow Lite merupakan solusi untuk mengklasifikasi objek melalui perangkat mobile, tensorflow lite mampu mengubah model arsitektur CNN non mobile menjadi mobile, membuat proses klasifikasi menjadi lebih ringan dan dengan ukuran file yang lebih kecil. Dataset yang digunakan bersumber dari google image dan kamera handphone dengan jumlah citra sebanyak 225 citra pisang. Dari hasil penilitan aplikasi dapat berjalan pada perangkat low end dengan tingkat akurasi 100% dan dengan nilai keyakinan rata-rata diatas 90%.
| Item Type: | Thesis (S1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
|||||||||
| Additional Information: | Banana fruit is a commodity that contributes a great value to both national and international fruit production achievement. The government through the National Standardization Agency establishes standards to maintain the quality of bananas. Therefore, it is necessary to have a quality standard for the products produced by farmers to be able to maintain consumer confidence. The government has set standards for bananas, namely SNI. 7422:2009 [1]. The purpose of this study is the classification of the maturity level of bananas using the CNN (Convolution Neural Network) method in accordance with SNI. Considering that today mobile devices are widely used because of their superiority that can be used anywhere, we tries to implement CNN-based object classifications on mobile devices, TensorFlow Lite is a solution for classifying objects through mobile devices, TensorFlow Lite is able to change the non-mobile CNN architecture model to mobile, making the classification process lighter with smaller file sizes. The dataset used is sourced from google images and mobile camera with 225 images of banana images. From the research results the application can run on low end mobile devices with an accuracy rate of 100% and an average confidence value above 90%. Keyword : Tensorflow, Tensorflow Lite, Neural Network, Banana Maturity Classification | |||||||||
| Uncontrolled Keywords: | Kata Kunci : Tensorflow, Tensorflow Lite, Neural Network, Klasifikasi Tingkat Kematangan Buah Pisang | |||||||||
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering | |||||||||
| Divisions: | 03-Fakultas Teknik 03-Fakultas Teknik > 20201-Jurusan Teknik Elektro |
|||||||||
| Depositing User: | Perpustakaan Pusat | |||||||||
| Date Deposited: | 31 Oct 2022 10:50 | |||||||||
| Last Modified: | 31 Oct 2022 10:50 | |||||||||
| URI: | http://eprints.untirta.ac.id/id/eprint/14710 |
Actions (login required)
 |
View Item |