Deteksi Tingkat Kematangan Pisang Kepok Berbasis Computer Vision menggunakan Arsitektur VGG16

Qoyyum, Muhammad (2026) Deteksi Tingkat Kematangan Pisang Kepok Berbasis Computer Vision menggunakan Arsitektur VGG16. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full Text) RAMA_55201_2213020031.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (5MB) | Request a copy
	Text (Similarity) RAMA_55201_2213020031_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (4MB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2213020031_0713059502_0720117501_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (BAB 2) RAMA_55201_2213020031_0713059502_0720117501_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (647kB) | Request a copy
	Text (BAB 3) RAMA_55201_2213020031_0713059502_0720117501_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text (BAB 4) RAMA_55201_2213020031_0713059502_0720117501_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text (BAB 5) RAMA_55201_2213020031_0713059502_0720117501_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (105kB) | Request a copy
	Text (References) RAMA_55201_2213020031_0713059502_0720117501_06_Ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (127kB)
	Text (Lampiran) RAMA_55201_2213020031_0713059502_0720117501_07_Lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy

Abstract

Penelitian ini dilatarbelakangi oleh kelemahan metode konvensional dalam penentuan tingkat kematangan pisang kepok yang masih mengandalkan pengamatan visual manual sehingga bersifat subjektif, memakan waktu, dan tidak konsisten. Untuk mengatasi masalah tersebut, dikembangkan sebuah aplikasi mobile berbasis Android yang mengintegrasikan metode Deep Learning arsitektur Convolutional Neural Network (CNN) VGG16 melalui model lokal TensorFlow Lite (model_pisang.tflite) dengan kuantisasi int8 agar proses deteksi dapat berjalan otomatis, objektif, dan sepenuhnya secara offline. Implementasi sistem mencakup Modul Antarmuka Pengguna (UI) dan Modul Kecerdasan Buatan (AI) yang saling terintegrasi secara sinkron. Pengujian fungsional dengan metode Black-Box Testing menunjukkan keberhasilan mutlak mencapai 100% dari 12 skenario uji yang dieksekusi. Sementara itu, rangkaian pengujian non-fungsional model AI melalui skema K-Fold Cross Validation membuktikan bahwa konfigurasi Model A dengan nilai K=8 pada skenario pengujian ukuran citra C (224x224 piksel) merupakan parameter komputasi terbaik dengan rata-rata akurasi validasi sebesar 94,96%. Pada proses pelatihan akhir (final training) yang diuji terhadap 125 citra independen, model final sukses memperoleh tingkat Akurasi Total sebesar 86,67%, dengan capaian metrik sempurna (Precision, Recall, dan F1-Score sebesar 97,00) pada klasifikasi kelas Grade C (Mentah) karena homogenitas karakteristik warna hijau klorofil yang sangat diskriminatif. Dengan demikian, sistem ini telah teruji andal secara fungsional maupun akurasi untuk mentransformasikan standardisasi kualitas komoditas pisang kepok secara cerdas.

Actions (login required)

View Item