SITOMPUL, Eva (2026) Klasifikasi Tingkat Kematangan Buah Pisang Menggunakan Arsitektur Convolutional Neural Network INCEPTIONV3. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) 24060119120035_Eva Sitompul_Bebas Perpus FSM.zip Restricted to Repository staff only Download (1MB) | Request a copy
	Text 1. COVER.pdf Download (31kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (150kB)
	Text 4. KATA PENGNATAR.pdf Download (233kB)
	Text 6. ABSTRAK.pdf Download (7kB)
	Text 7. ABSTRACT.pdf Download (6kB)
	Text 8. DAFTAR ISI.pdf Download (37kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (24kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (141kB)

Abstract

Kematangan buah pisang merupakan faktor penting yang memengaruhi kualitas, rasa, dan
penerimaan konsumen, namun penilaian secara manual masih bersifat subjektif, memakan
waktu, dan kurang konsisten. Penelitian ini mengembangkan model klasifikasi tingkat
kematangan buah pisang berbasis citra digital menggunakan metode deep learning dengan
arsitektur Convolutional Neural Network InceptionV3 melalui pendekatan transfer learning
dan fine-tuning. Model dirancang untuk mengklasifikasikan empat kelas kematangan, yaitu
overripe, ripe, rotten, dan unripe. Dataset citra buah pisang yang digunakan bersumber dari
platform Kaggle sebanyak 13.478 citra. Data tersebut dibagi menggunakan rasio
perbandingan 80% data training, 10% data validation, dan 10% data testing. Seluruh dataset
terlebih dahulu melalui tahap preprocessing berupa resizing dan normalisasi, kemudian
digunakan untuk pelatihan model dengan 18 skenario eksperimen yang menggunakan variasi
hyperparameter berupa learning rate 0,001; 0,0001; 0,00001, batch size 16 dan 32, serta
dropout 0,3; 0,4; 0,5. Hasil pengujian menunjukkan bahwa kombinasi terbaik diperoleh pada
konfigurasi learning rate 0,00001, batch size 16, dan dropout 0,4, dengan validation
accuracy sebesar 0,9978 dan training accuracy sebesar 0,9948. Pada tahap evaluasi akhir
menggunakan confusion matrix, model menghasilkan testing accuracy sebesar 0,9911,
dengan nilai precision 0,9907, recall 0,9910, serta F1-Score 0,9908. Penelitian ini
diharapkan dapat memberikan kontribusi terhadap pengembangan sistem inspeksi berbasis
kecerdasan buatan untuk mendukung transformasi digital di sektor pertanian.
Kata kunci : Convolutional Neural Network, hyperparameter tuning, InceptionV3,
klasifikasi buah pisang, transfer learning

(NO. KETERSEDIAAN : 1733/F/2026)

Actions (login required)

View Item