ZAHARANI, DESY MONICA (2025) ANALISIS EVALUASI PERFORMA DAN HIPERPARAMETER MODEL CNN DENGAN ARSITEKTUR MOBILENET V2 PADA APLIKASI BA-NANAS! Undergraduate thesis, Universitas Diponegoro.

	Text Laporan Tugas Akhir_Desy Monica Zaharani-1-13.pdf Download (192kB)
	Text Laporan Tugas Akhir_Desy Monica Zaharani-14-63.pdf Restricted to Repository staff only Download (2MB)

Abstract

Permasalahan hidup sehat, kini menjadi trend di kalangan masyarakat. Buah adalah salah
satu makanan yang mengandung banyak vitamin, mineral dan serat. Pisang merupakan buah yang
paling banyak dikonsumsi dalam bentuk segar maupun diolah kembali. Berdasarkan data Badan
Pusat Statistik (BPS) produksi pisang di Indonesia menunjukkan peningkatan dari tahun 2021 ke
2023. Dengan peningkatan tersebut, pengelolaan pisang harus dilakukan dengan cepat dikarenakan
pisang merupakan buah klimakterik. Penggunaan teknologi deep learning untuk mengklasifikasikan
kematangan dan nilai gizi buah pisang menjadi solusi yang ditawarkan. Penelitian ini menggunakan
Convolutional Neural Network (CNN) dengan arsitektur MobileNet V2 untuk mengklasifikasikan
kematangan dan nilai gizi pisang.
Penelitian dilakukan dengan model yang telah dilatih sebelumnya dari Keras, yaitu
MobileNet V2. Dataset yang digunakan merupakan dataset primer sebanyak 4.000 citra yang terdiri
dari citra pisang ambon, kepok, dan susu. Dataset dibagi ke 16 kelas, yang masing masing kelas
dibagi lagi menjadi data latih, validasi dan uji. Lalu model dilatih dengan ukuran batch 32, laju
pembelajaran 0,0001, dropout 0,5, dan freeze layer -4. Model juga dilatih dengan metode
hyperparameter tunning. Pengujian dilakukan menggunakan matrik konfusi dan metrik evaluasi
performa.
Hasil penelitian menunjukkan bahwa hiperparameter terbaik adalah adalah ukuran batch
32, laju pembelajaran 0,0001, dropout 0,4, dan freeze layer -4 dengan validasi akurasi 0,8817 atau
88,17% dan loss validasi terendah yaitu 0,3939 atau 39,39%. Pada pengujian, ditemukan bahwa
penggunaan ukuran batch 32, laju pembelajaran 0,0001, dropout 0,5, dan freeze layer -10
mendapatkan perolehan terbesar dengan nilai accuracy 0,8567 atau 85,67%, precision 0,8609 atau
86,09%, recall 0,8625 atau 86,25%, dan f1-score 0,8587 atau 85,87%.

Actions (login required)

View Item