OPTIMASI HYPERPARAMETER METODE CONVOLUTIONAL NEURAL NETWORK DENGAN TRANSFER LEARNING UNTUK KLASIFIKASI TINGKAT KEMATANGAN TANDAN BUAH SEGAR KELAPA SAWIT

Zulkarnain, Jefri (2023) OPTIMASI HYPERPARAMETER METODE CONVOLUTIONAL NEURAL NETWORK DENGAN TRANSFER LEARNING UNTUK KLASIFIKASI TINGKAT KEMATANGAN TANDAN BUAH SEGAR KELAPA SAWIT. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.51.2092 Jefri Zulkarnain.pdf Download (5MB)

Abstract

Tandan Buah Segar (TBS) merupakan bahan utama dalam produksi minyak sawit. Kematangan menandakan bahwa Tandan Buah Segar (TBS) kelapa sawit adalah tanda kualitas buah terbaik. Untuk menentukan tingkat kematangan TBS dapat dinilai berdasarkan karakteristik eksternal seperti warna, tekstur, duri, ukuran, berat, dan bentuk TBS. Karena kemudahannya, ekstraksi ciri warna sering digunakan, tetapi hanya memperhatikan warna rata-rata yang kurang akurat. Sebaliknya, ekstraksi ciri tekstur memisahkan elemen yang mencerminkan sifat tekstur, tetapi seringkali kurang efektif dalam mengatasi noise dan variasi ukuran sampel tekstur. Untuk mengatasi masalah ini, metode yang lebih canggih menggunakan model deep learning digunakan untuk mengekstraksi fitur gambar yang lebih kompleks dan sensitif terhadap berbagai faktor. Dalam pekerjaan ini, dua algortima arsitektur Convolutional Neural Network (CNN) dengan transfer learning diusulkan untuk melakukan klasifikasi tingkat kematangan. ResNet50 dan EfficientNetB0 diskenariokan dan dibandingkan dalam klasifikasi kematangan dengan empat tingkatan: mentah, kurang matang, matang dan terlalu matang. Dalam perkerjaan ini data yang diambil dari web Roboflow.com dilatih dan dilakukan penyeimbangan data antar kelas dengan metode Synthetic Minority Over-sampling Technique (SMOTE) dan Random Under-sampling (RUS) yang kemudian dilakukan hyperparameter tuning terhadap kedua model yang dilanjutkan dengan perbandingan akurasi, precision, recall dan waktu pelatihan. Selama tahap pengujian didapatkan kesimpulan bahwa arsitektur Convolutional Neural Network (CNN) dengan transfer learning cukup baik untuk mengklasifikasikan tingkat kematangan TBS dengan kelas berbeda, EfficientNetB0 dengan SMOTE dan hyperparameter tuning menunjukkan hasil yang cukup menjanjikan dengan akurasi 98.93%, precision 98.93%, recall 98.93%.

Actions (login required)

View Item