Nur Aviatna, Irfansyah (2025) KLASIFIKASI KEMATANGAN BUAH KELAPA SAWIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. S1 thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa.

	Text (Fulltext) Irfansyah Nur Aviatna_3332200056_Fulltext.pdf Restricted to Registered users only Download (4MB) | Request a copy
	Text (Bab 1) Irfansyah Nur Aviatna_3332200056_01.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (Bab 2) Irfansyah Nur Aviatna_3332200056_02.pdf Restricted to Registered users only Download (571kB) | Request a copy
	Text (Bab 3) Irfansyah Nur Aviatna_3332200056_03.pdf Restricted to Registered users only Download (385kB) | Request a copy
	Text (Bab 4) Irfansyah Nur Aviatna_3332200056_04.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (Bab 5) Irfansyah Nur Aviatna_3332200056_05.pdf Restricted to Registered users only Download (214kB) | Request a copy
	Text (Daftar Referensi) Irfansyah Nur Aviatna_3332200056_Ref.pdf Restricted to Registered users only Download (200kB) | Request a copy
	Text (Lampiran) Irfansyah Nur Aviatna_3332200056_Lamp.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (Cek Plagiarisme) Irfansyah Nur Aviatna_3332200056_CP.pdf Restricted to Registered users only Download (23MB) | Request a copy

Abstract

Kematangan buah kelapa sawit menjadi faktor penting yang memengaruhi kualitas dan kuantitas minyak yang dihasilkan. Penentuan tingkat kematangan buah secara manual sering kali bersifat subjektif, sehingga diperlukan metode otomatis yang lebih efisien dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kematangan buah kelapa sawit menggunakan metode Convolutional Neural Network (CNN) dengan menggunakan arsitektur EfficientNetV2-B0 sebagai transfer learning untuk meningkatkan performa model dalam klasifikasi gambar. Penelitian ini memanfaatkan data berupa citra buah kelapa sawit yang mencakup berbagai tingkat kematangan, yakni mentah, matang, dan terlalu matang. Dataset ini diproses melalui beberapa tahap seperti prapemrosesan dan augmentasi data untuk meningkatkan variasi data. Setelah itu model dilatih dengan alokasi data dan learning rate yang berbeda-beda. Hasil penelitian menunjukkan bahwa penggunaan alokasi data dan learning rate yang berbeda-beda memengaruhi performa model, serta terdapat empat model yang dilatih dengan alokasi data 90/10 dan variasi learning rate 0,0001, 0,0005, 0,00075, dan 0,0009 berhasil mencapai accuracy dan f1-score sebesar 100% dalam klasifikasi tingkat kematangan buah kelapa sawit.

Actions (login required)

View Item