SKRIPSI DIGITAL
Pengembangan Sistem Berbasis Web untuk Klasifikasi Tingkat Kekeringan Rimpang Menggunakan Deep Learning Berdasarkan Citra Digital = Development of a Web-Based System for Classifying Rhizome Dryness Levels Using Deep Learning Based on Digital Images
Penentuan kondisi rimpang secara konvensional masih dilakukan secara manual sehingga rentan terhadap subjektivitas dan inkonsistensi. Penelitian ini bertujuan mengembangkan sistem berbasis web untuk mengklasifikasikan jenis dan kondisi rimpang berdasarkan citra digital menggunakan deep learning. Objek penelitian meliputi empat jenis rimpang, yaitu jahe, kencur, kunyit, dan lengkuas, dengan dua kondisi, yaitu segar dan kering, serta satu kelas non-rimpang, sehingga menghasilkan sembilan kelas. Dataset terdiri atas 324 citra, yaitu 288 citra primer dan 36 citra sekunder non-rimpang. Data primer diperoleh sebelum dan setelah proses pengeringan pada suhu 105°C selama 5 jam, dengan kondisi kering mengacu pada kadar air ≤10%. Penelitian membandingkan lima arsitektur Convolutional Neural Network berbasis transfer learning, yaitu ResNet50, DenseNet121, MobileNetV3Large, EfficientNetV2B0, dan ConvNeXtTiny, dengan tiga skenario augmentasi. Backbone terbaik pada setiap skenario kemudian dibandingkan menggunakan pendekatan klasifikasi berupa lapisan keluaran dengan fungsi aktivasi Softmax, Random Forest, XGBoost, dan Support Vector Machine. Pembagian data dilakukan dengan Stratified Group Shuffle Split menggunakan proporsi 70% data latih, 20% validasi, dan 10% uji. Hasil penelitian menunjukkan bahwa ResNet50 dengan lapisan keluaran Softmax dan augmentasi pada data training memperoleh accuracy validasi sebesar 90,48% dan F1-score sebesar 89,84%. Validasi 5-Fold Cross Validation menghasilkan rata-rata accuracy sebesar 84,38% ± 3,20% dan F1-score sebesar 84,19% ± 3,15%. Pada data uji, model memperoleh accuracy sebesar 72,22%. Model kemudian diintegrasikan ke dalam sistem berbasis web untuk melakukan klasifikasi citra secara otomatis.
Tidak tersedia versi lain