PRASTYO, ABBIE ERRA (2025) PENERAPAN MOBILENETV1 UNTUK IDENTIFIKASI OTOMATIS VARIETAS BERAS MELALUI GAMBAR SMARTPHONE. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (484kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (108kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (830kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (296kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (795kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (103kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (169kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (995kB) |
Abstract
CNN has a variety of architectures that can be used to classify rice varieties based on their image. To make it easier for users to do the classification, the CNN architecture also needs to be applied to Android devices that are currently widely used. CNN architecture types used in the classification of rice varieties are VGG16Net and MobileNet using the feature extraction method. Both architectures are used for training and testing on the Google Collaboratory infrastructure. Then the training data is stored and converted into a TensorFlow Lite file and imported into a project in Android Studio so that it can be implemented in an Android application. Based on the result of training and testing on Google Collaboration with the 224x224 pixel image datasets of rice variety were found that the VGG-16Net architecture with good quality image datasets obtained training accuracy levels of 1.0 and validation accuracy of 0.9556 whereas the accuracy level on MobileNet was the same but the validation accuracy was lower about 0.9333. Furthermore, to do the testing of these two architectures on Android devices. The results of the VGG16Net architecture testing on the condition of rice being spread on a black mat using a flashlight on an Android device produce an accuracy rate of 75.56% while on MobileNetV1 of 95.56% because the VGG- 16Net architectural model is not suitable converted to TensorFlow Lite. Then testing on the MobileNetV1 architecture was continued using room light which the result of the level of accuracy is 71.11%. Besides that, testing is done with the condition of rice wrapped in clear plastic using either a flashlight or room light. The level of accuracy obtained in the condition of rice wrapped and using a flashlight is 95.56% and without using a flashlight is 97.78%. Factors affecting the difference in the test results are the distance of the detected object, lighting condition, and image quality. Keywords : Classification of rice varieties, Android, Google Colaboratory, CNN. CNN memiliki berbagai macam arsitektur yang dapat digunakan untuk melakukan klasifikasi varietas beras berdasarkan citranya. Agar mempermudah pengguna untuk melakukan klasifikasi tersebut maka arsitektur CNN juga perlu diterapkan pada perangkat Android yang saat ini banyak digunakan. Jenis arsitektur CNN yang digunakan pada klasifikasi varietas beras ini adalah VGG16Net dan MobileNet dengan meggunakan metode ekstraksi fitur (feature extraction). Kedua arsitektur tersebut digunakan untuk melakukan pelatihan dan pengujian pada infrastruktur Google Colaboratory. Dari data hasil pelatihan tersebut kemudian disimpan dan dikonversi ke dalam bentuk file TensorFlow Lite dan diimpor ke dalam project pada Android Studio agar dapat diimplementasikan pada aplikasi Android. Berdasarkan hasil pelatihan dan pengujian pada Google Colaboratory dengan dataset citra varietas beras yang berukuran 224x224 piksel didapat bahwa pada arsitektur VGG-16Net dengan dataset kualitas baik diperoleh tingkat akurasi pelatihan sebesar 1.0 dan akurasi validasi sebesar 0.9556 sedangkan pada MobileNet tingkat akurasinya sama namun validasinya lebih rendah yaitu sebesar 0.9333.Selanjutnya di lakukan pengujian dari kedua arsitektur tersebut pada perangkat Android. Hasil pengujian arsitektur VGG-16Net pada kondisi beras disebar di alas hitam menggunakan flashlight pada perangkat Android menghasilkan tingkat akurasi sebesar 75,56% sedangkan pada MobileNetV1 sebesar 95,56% karena model arsitektur VGG-16Net tidak cocok dikonversi ke TensorFlow Lite. Kemudian pengujian pada arsitektur MobileNetV1 dilanjutkan menggunakan cahaya ruangan yang menghasilkan tingkat akurasi 71,11%. Selain itu dilakukan pengujian dengan kondisi beras yang dibungkus plastik bening baik menggunakan flashlight maupun cahaya ruangan. tingkat akurasi yang diperoleh pada kondisi beras dibungkus dan menggunakan cahaya flashlight sebesar 95,56% dan yang tanpa menggunakan flashlight sebesar 97,78%. Faktor yang mempengaruhi perbedaan hasil pengujian tersebut adalah jarak obyek yang dideteksi, kondisi pencahayaan, dan kualitas gambar. Kata kunci : Klasifikasi varietas beras, Android, Google Colaboratory, CNN.
Actions (login required)
 |
View Item |
