Ribowo, Adi Dwi (2025) IMPLEMENTASI ARSITEKTUR EFFICIENTNETV2 UNTUK KLASIFIKASI CITRA REMPAH MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (1MB) |
|
Text (BAB I)
BAB I.pdf Download (191kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (949kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (434kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (333kB) |
|
Text (BAB V)
BAB V.pdf Download (48kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (338kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4033.zip Restricted to Repository staff only Download (76MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (813kB) |
Abstract
Jenis rempah, seperti andaliman, biji ketumbar, kemukus, lada, jahe, kencur, kunyit, dan lengkuas mempunyai tampilan tampak serupa, ini dapat menimbulkan kebingungan. Hal ini menjadi tantangan tersendiri, karena kesalahan dalam mengenali rempah dapat memengaruhi rasa hingga kualitas dari masakan atau produk yang dihasilkan. Maka, diperlukan sebuah solusi yang inovatif dan mudah diakses untuk menangani masalah ini. Penelitian ini menerapkan arsitektur EfficientNetV2-S dalam klasifikasi gambar rempah-rempah menggunakan algoritma Convolutional Neural Network (CNN). Fokus utama dari penelitian ini adalah untuk menganalisis dan mengevaluasi kinerja model EfficientNetV2-S dalam mengklasifikasikan gambar rempah. Dataset yang digunakan terdiri dari 1.400 gambar yang mencakup delapan kelas rempah, seperti andaliman, biji ketumbar, kemukus, lada, jahe, kencur, kunyit, dan lengkuas. Setalah melakukan beberapa epoch, hasil penelitian menunjukkan bahwa akurasi terbaik pada epoch ke-150 mendapatkan akurasi sebesar 88,42% pada data latih dan 86,79% pada data validasi. Namun, data uji keseluruhan pada model hanya mencapai akurasi 14%, yang menunjukkan perlunya perbaikan signifikan dalam kinerja model untuk mencapai hasil yang lebih baik.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Klasifikasi, Rempah, EfficientNetV2-S, Convolutional Neural Network (CNN), Citra | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 12 Aug 2025 03:15 | ||
| Last Modified: | 12 Aug 2025 03:15 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/30255 |
Actions (login required)
 |
View Item |