Supu, Tahir (2025) IDENTIFIKASI KUALITAS DAN JENIS BUAH CABAI MENGGUNAKAN ALGORITMA DEEP LEARNING. Sarjana thesis, Universitas Muhammadiyah Gorontalo.
|
Text (Abstrak Tahir Supu)
ABSTRAK.pdf Download (0B) |
|
|
Text (Bab 1 Tahir Supu)
BAB I.pdf Download (143kB) |
|
|
Text (Daftar Pustaka Tahir Supu)
DAFTAR PUSTAKA.pdf Download (78kB) |
|
|
Text (Skripsi Tahir Supu)
SKRIPSI FIX WISUDA TAHIR SUPU.pdf Restricted to Repository staff only Download (7MB) |
Abstract
The demand for efficiency and objectivity in agricultural produce sorting is critical for maintaining quality standards, particularly for chili pesppers. Traditionally, manual sorting processes are prone to subjectivity and exhibit low accuracy. This study aims to automate the identification of chili pepper varieties and quality by implementing Deep Learning through a Convolutional Neural Network (CNN) architecture. The research methodology involved the collection of a dataset comprising 1,500 images of chili peppers, categorized into four specific classes: fresh curly chili, non-fresh curly chili, fresh bird's eye chili, and non-fresh bird's eye chili. The author developed a customized CNN architecture designated as "CabaiNet." The model was trained using various input image resolution parameters and data split ratios to determine the configuration for optimal performance. Experimental results demonstrate that the proposed CabaiNet architecture achieves a peak classification accuracy of 98%. Comparative analysis confirms that this model exhibits superior performance and efficiency compared to pre-trained architectures, such as VGG16 and ResNet50V2. Optimization at an image resolution of 400x400 pixels with an 80:20 data split ratio yielded the most stable model performance, characterized by optimal loss convergence and efficient computational time. This study concludes that the implementation of CNN provides a precise and reliable automation solution to support chili pepper sorting systems in the agricultural industry.
| Item Type: | Thesis (Sarjana) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||||||
| Additional Information: | Kebutuhan akan efisiensi dan objektivitas dalam proses sortasi hasil pertanian menjadi krusial untuk menjaga standar kualitas komoditas, khususnya buah cabai. Selama ini, proses penyortiran yang dilakukan secara manual cenderung subjektif dan memiliki tingkat akurasi yang rendah. Penelitian ini bertujuan untuk mengotomatisasi proses identifikasi jenis dan kualitas buah cabai melalui penerapan Deep Learning dengan arsitektur Convolutional Neural Network (CNN). Metodologi penelitian melibatkan pengumpulan dataset berupa 1.500 citra buah cabai yang dikategorikan ke dalam empat kelas spesifik: cabai keriting segar, cabai keriting tidak segar, cabai rawit segar, dan cabai rawit tidak segar. Penulis mengembangkan arsitektur CNN khusus yang disebut sebagai "CabaiNet". Model ini dilatih menggunakan variasi parameter input resolusi citra serta pembagian rasio data latih dan data uji untuk menentukan konfigurasi model dengan performa optimal. Hasil pengujian menunjukkan bahwa arsitektur CabaiNet yang diusulkan mencapai performa klasifikasi dengan tingkat akurasi tertinggi sebesar 98%. Melalui analisis komparatif, model ini terbukti memiliki keunggulan performa dan efisiensi dibandingkan dengan model arsitektur pretrained seperti VGG16 dan ResNet50V2. Optimasi pada ukuran citra 400x400 piksel dengan rasio pembagian data 80:20 memberikan stabilitas model yang paling baik, ditandai dengan konvergensi loss yang optimal dan waktu komputasi yang efisien. Penelitian ini menyimpulkan bahwa implementasi CNN mampu menjadi solusi otomasi yang presisi dan andal dalam mendukung sistem sortasi buah cabai di tingkat industri pertanian. | ||||||||||||
| Uncontrolled Keywords: | Algoritma Deep Learning; Kualitas Buah; Jenis Buah Cabai; CNN | ||||||||||||
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software |
||||||||||||
| Divisions: | Fakultas Sains dan Ilmu Komputer > Program Studi Ilmu Komputer | ||||||||||||
| Depositing User: | Tahir Supu | ||||||||||||
| Date Deposited: | 16 Jul 2026 03:45 | ||||||||||||
| Last Modified: | 16 Jul 2026 03:45 | ||||||||||||
| URI: | http://repository.umgo.ac.id/id/eprint/6868 |
Actions (login required)
![]() |
View Item |
