IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI TINGKAT KESEGARAN DAGING SAPI

-, Sugiono (2022) IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI TINGKAT KESEGARAN DAGING SAPI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (974kB)
	Text (BAB I) BAB I.pdf Download (242kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (447kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (320kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (536kB)
	Text (BAB V) BAB V.pdf Download (62kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (83kB)
	Archive (SOURCE CODE) Source Code 15.11.9314 Sugiono.zip Restricted to Repository staff only Download (46kB)
	Text (PUBLIKASI) Publikasi 15.11.9314 Sugiono.pdf Restricted to Repository staff only Download (954kB)

Abstract

Proses penyortiran daging sapi yang dilakukan oleh penjual untuk menyeleksi daging berdasarkan kualitasnya masih menggunakan metode manual dan terkadang meleset karena faktor keterbatasan indra penglihatan dan semakin sulit jika daging yang akan di proses jumlahnya banyak. Dalam proses pemeriksaan daging sapi biasanya hanya dillihat secara fisik baik dari warna, bentuk dan tekstur pada daging tersebut. Cara ini tentunya memiliki banyak kelemahan bila penjual tidak jeli untuk membedakan tingkat kesegaran daging sapi yang akan di jual. Akibatnya, daging sapi yang jual tersebut menjadi tidak layak untuk di konsumsi bagi konsumen serta sangat merugikan konsumen karena dapat berdampak buruk bagi kesehatan. Untuk menangani hal tersebut pada penelitian ini menggunakan algoritma Convolutional Neural Network untuk mendeteksi tingkat kesegaran daging sapi. Daging sapi yang di identifikasi nanti di klasifikasi menggunakan metode yang terdapat pada algoritma Convolutional Neural Network. Berdasarkan hasil klasifikasi citra daging sapi yang dilakukan menggunakan metode Convolutional Neural Network telah berhasil dilakukan dengan baik dimana menghasilkan nilai accuracy dari data training mencapai angka 97,80% dengan nilai loss 0,0566 dan pada nilai accuracy dari data validation mencapai 98,12% dengan nilai loss sebesar 0,0559.

Actions (login required)

View Item