Klasifikasi tingkat kematangan fermentasi tape ketan menggunakan convolutional neural network
Total View This Week0
Total View This Week0
Institusion
Universitas Ahmad Dahlan
Author
Yunianti, Rizqi
Subject
T Technology (General)
Datestamp
2024-06-13 04:32:43
Abstract :
Tape ketan adalah makanan ringan populer di Indonesia yang terbuat dari beras ketan yang difermentasi. Salah satu manfaat utama makan beras ketan putih adalah melancarkan sistem pencernaan. Kematangan tape yang tepat menjadi faktor penting dalam mempertahankan kualitas dan rasa tape yang baik. Namun, kematangan yang berlebihan dapat mengakibatkan penurunan rasa manis dan tekstur yang tidak sesuai. Oleh karena itu diperlukanya klasifikasi tingkat kematangan pada tape ketan, agar tidak terdapat kematangan yang berlebihan yang mengakibatkan efek buruk pada tubuh dan turunya kualitas pada tape ketan. Penelitian ini bertujuan untuk menguji keakuratan program dan nilai akurasi yang dihasilkan dari klasifikasi kematangan pada tape ketan serta merancang dan mengimplementasikan sistem klasifikasi menggunakan metode Convolutional Neural Network (CNN). Manfaat yang dapat diperoleh dari penelitian ini adalah dapat mengetahui cara mengimplementasi sistem klasifikasi kematangan pada tape ketan sehingga tercipta konsistensi kualitas bagi industri tape ketan serta memperluas penerapan teknologi modern dalam konteks tradisional. Pada pengumpulan dataset pada penelitian ini, diambil dataset berupa citra tape ketan putih. Proses pengambilan citra dilakukan secara langsung dengan menggunakan kamera handphone yakni Iphone X dengan format jpg. Pengolahan dataset tersebut dengan membagi menjadi tiga kelas yakni mentah, matang, dan busuk. Masing masing kelas terdiri dari 400 dataset citra dengan total citra yang digunakan sebanyak 1200 data citra tape ketan putih. Kemudian seluruh data akan masuk kedalam proses preprocessing, tahap ini akan dilakukan dengan resize ukuran 224x224x3, kemudian akan dilakukan augmentasi dengan rotasi 20 derajat serta 30 derajat, dan dilakukan rescale 1./255 serta flipping horizontal. Sebelum data diaugmentasi, seluruh dataset akan dibagi menjadi data latih sebanyak 768 data citra, data validasi sebanyak 192 data citra, dan data uji sebanyak 240 data citra. Hasil dataset yang telah masuk preprocessing akan diproses dengan model CNN dengan arsitektur VGG16 dan akan diuji hingga mendapatkan hasil akurasi dari program yang telah dibuat. Dalam tahap pengujian dataset menggunakan CNN dengan arsitektur VGG16 mendapatkan hasil akurasi dengan epoch 20 mendapat akurasi 0.98, epoch 30 mendapat akurasi 0.98, dan tertinggi terdapat pada epoch 40 mendapat akurasi mencapai 0.99. Disimpulkan bahwa model menunjukkan peningkatan kinerja yang signifikan seiring bertambahnya jumlah epoch. Pada hasil akurasi yang telah disebutkan menunjukkan bahwa klasifikasi tingkat kematangan fermentasi tape ketan menggunakan Convolutional Neural Network dengan arsitektur VGG16 bekerja dengan baik dan dapat mengklasifikasikan dengan baik. Metode CNN dengan arsitektur VGG16 dipilih karena telah terbukti efektif dalam pengenalan citra.
Tape ketan adalah makanan ringan populer di Indonesia yang terbuat dari beras ketan yang difermentasi. Salah satu manfaat utama makan beras ketan putih adalah melancarkan sistem pencernaan. Kematangan tape yang tepat menjadi faktor penting dalam mempertahankan kualitas dan rasa tape yang baik. Namun, kematangan yang berlebihan dapat mengakibatkan penurunan rasa manis dan tekstur yang tidak sesuai. Oleh karena itu diperlukanya klasifikasi tingkat kematangan pada tape ketan, agar tidak terdapat kematangan yang berlebihan yang mengakibatkan efek buruk pada tubuh dan turunya kualitas pada tape ketan. Penelitian ini bertujuan untuk menguji keakuratan program dan nilai akurasi yang dihasilkan dari klasifikasi kematangan pada tape ketan serta merancang dan mengimplementasikan sistem klasifikasi menggunakan metode Convolutional Neural Network (CNN). Manfaat yang dapat diperoleh dari penelitian ini adalah dapat mengetahui cara mengimplementasi sistem klasifikasi kematangan pada tape ketan sehingga tercipta konsistensi kualitas bagi industri tape ketan serta memperluas penerapan teknologi modern dalam konteks tradisional. Pada pengumpulan dataset pada penelitian ini, diambil dataset berupa citra tape ketan putih. Proses pengambilan citra dilakukan secara langsung dengan menggunakan kamera handphone yakni Iphone X dengan format jpg. Pengolahan dataset tersebut dengan membagi menjadi tiga kelas yakni mentah, matang, dan busuk. Masing masing kelas terdiri dari 400 dataset citra dengan total citra yang digunakan sebanyak 1200 data citra tape ketan putih. Kemudian seluruh data akan masuk kedalam proses preprocessing, tahap ini akan dilakukan dengan resize ukuran 224x224x3, kemudian akan dilakukan augmentasi dengan rotasi 20 derajat serta 30 derajat, dan dilakukan rescale 1./255 serta flipping horizontal. Sebelum data diaugmentasi, seluruh dataset akan dibagi menjadi data latih sebanyak 768 data citra, data validasi sebanyak 192 data citra, dan data uji sebanyak 240 data citra. Hasil dataset yang telah masuk preprocessing akan diproses dengan model CNN dengan arsitektur VGG16 dan akan diuji hingga mendapatkan hasil akurasi dari program yang telah dibuat. Dalam tahap pengujian dataset menggunakan CNN dengan arsitektur VGG16 mendapatkan hasil akurasi dengan epoch 20 mendapat akurasi 0.98, epoch 30 mendapat akurasi 0.98, dan tertinggi terdapat pada epoch 40 mendapat akurasi mencapai 0.99. Disimpulkan bahwa model menunjukkan peningkatan kinerja yang signifikan seiring bertambahnya jumlah epoch. Pada hasil akurasi yang telah disebutkan menunjukkan bahwa klasifikasi tingkat kematangan fermentasi tape ketan menggunakan Convolutional Neural Network dengan arsitektur VGG16 bekerja dengan baik dan dapat mengklasifikasikan dengan baik. Metode CNN dengan arsitektur VGG16 dipilih karena telah terbukti efektif dalam pengenalan citra.
File :
T1_2000018300_JUDUL__240612120109.pdf
T1_2000018300_BAB_I__240612015743.pdf
T1_2000018300_BAB_II__240612015743.pdf
T1_2000018300_BAB_III__240612015743.pdf
T1_2000018300_BAB_IV__240612015743.pdf
T1_2000018300_BAB_V__240612015744.pdf
T1_2000018300_DAFTAR_PUSTAKA__240612015744.pdf
T1_2000018300_LAMPIRAN__240612015744.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
