• Beranda
  • Website Perpustakaan
  • Panduan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Penanda Bagikan

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

Arya Damar Sindharu - Nama Orang; Amran Yobioktabera - Nama Orang; TRI Raharjo Yudantoro - Nama Orang;

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.


Fulltext
  • RK003-2026
Informasi Detail
Judul Seri
-
No. Panggil
RK 003 2026
Penerbit
Semarang : Politeknik Negeri Semarang., 2026
Deskripsi Fisik
xviii, 103 hal.: illus.; 30 cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
NONE
Tipe Isi
text
Tipe Media
computer
Tipe Pembawa
online resource
Edisi
-
Subjek
WEB
TRANSFER LEARNING
deep learning
rimpang
klasifikasi citra
Info Detail Spesifik
-
Pernyataan Tanggungjawab
Arya Damar Sindharu
Versi lain/terkait

Tidak tersedia versi lain

Komentar

Anda harus masuk sebelum memberikan komentar

  • Panduan
  • Area Anggota

Tentang Kami

Si-Repo adalah platform digital yang dikelola oleh UPA Perpustakaan Politeknik Negeri Semarang, menyimpan karya ilmiah seperti Tugas Akhir, Skripsi, dan Tesis dari sivitas akademika Polines, untuk mendukung kebutuhan akademik, penelitian, dan pengembangan.

Jam Buka Perpustakaan

Senin - Kamis:
07.30 - 16.00 WIB

Jum'at:
07.30 - 16.30 WIB


NPP. 3374102C0000002
0895340731030
Follow Us
Subscribe

© 2026 — Perpustakaan Politeknik Negeri Semarang

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?