Anggriawan, Galih (2025) ANALISA PERBANDINGAN EFFICIENT PRE-TRAINED LEARNING UNTUK IDENTIFIKASI CITRA REMPAH-REMPAH. 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 (184kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (728kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (372kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (849kB) |
|
Text (BAB V)
BAB V.pdf Download (67kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (265kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4450.zip Restricted to Repository staff only Download (3kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (875kB) |
Abstract
Pertumbuhan kebutuhan efisiensi di sektor pertanian mendorong pemanfaatan teknologi modern seperti Artificial Intelligence (AI), khususnya dalam klasifikasi citra rempah-rempah yang memiliki keragaman visual tinggi. Tantangan utama dalam implementasinya adalah pemilihan model deep learning yang tidak hanya akurat, tetapi juga efisien secara komputasi. Transfer learning dengan model pre-trained menjadi solusi untuk mengatasi keterbatasan data dan sumber daya. Penelitian ini bertujuan menganalisis dan membandingkan performa lima model pre-trained efisien, yaitu MobileNetV1, MobileNetV2, EfficientNetB0, EfficientNetB1, dan EfficientNetB2 dalam klasifikasi citra rempah-rempah Indonesia. Dataset terdiri dari 6.510 gambar dari 31 jenis rempah yang diperoleh dari Kaggle, diproses melalui tahapan preprocessing, pelatihan model, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan MobileNetV1 memiliki performa tertinggi dengan akurasi 91%, diikuti MobileNetV2 dengan akurasi 90%, sementara EfficientNetB0, B1 dan B2 menunjukkan performa lebih rendah. Dengan jumlah parameter ringan dan akurasi tinggi, MobileNetV1 dinilai paling efisien untuk perangkat dengan keterbatasan komputasi. Penelitian ini memberikan kontribusi bagi pengembangan sistem klasifikasi rempah yang akurat dan efisien, serta mendukung sektor pertanian, perdagangan, dan edukasi berbasis AI.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Rempah-Rempah, Deep Learning, Transfer Learning, Mobilenet, Efficientnet | ||
| 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: | 13 Aug 2025 04:20 | ||
| Last Modified: | 13 Aug 2025 04:20 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/30320 |
Actions (login required)
 |
View Item |