Melola Discovery

← Melola Discovery

Jurnal SINTA 2

Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB)

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 10 No. 1 (2023) · hlm. 59–66

DOI
10.25126/jtiik.2023105695
ISSN
2528-6579, 2355-7699
Terbit
2023-02-28
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id

Abstrak

Secara umum proses menentukan jeruk manis layak (bagus) dan tidak layak (busuk) masih banyak menggunakan cara manual. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diamati. Pengamatan dengan cara ini memiliki beberapa kelemahan yaitu adanya keterbatasan visual manusia, di pengaruhi oleh kondisi psikis pengamatannya serta memakan waktu yang lama terutama bagi perkebunan besar. Untuk itu, diperlukan suatu algoritma untuk menentukan buah jeruk manis dengan sistem terkomputerisasi yang dibuat menggunakan algoritma Convolutional Neural Network (CNN) merupakan salah satu algoritma dari deep learning yang merupakan pengembangan dari Multilayer Percepton (MLP) yang mampu mengolah data dalam bentuk dua dimensi, misalnya gambar serta mampu melakukan klasifikasi pada citra dengan kelas–kelas yang lebih banyak atau besar. Sistem ini dirancang dan dibangun menggunakan bahasa pemrograman matlab versi R2018a, dengan 100 dataset gambar jeruk manis menunjukan tingkat akurasi sebesar 96% untuk training 92% untuk testing yang dinilai telah mampu melakukan klasifikasi kelayakan buah jeruk manis dengan sangat baik. Pada pengujian menggunakan data baru dari 10 citra jeruk manis dihasilkan 9 citra jeruk manis dengan nilai benar dan 1 citra jeruk manis dengan nilai salah. AbstractIn general, the process of determining appropriate (good) and unfit (rotten) sweet oranges still uses manual methods. The manual method is carried out based on direct visual observation of the fruit to be observed. Observations in this way have several weaknesses, namely the presence of human visual limitations, being influenced by the psychological condition of the observations and taking a long time, especially for large plantations. For this reason, an algorithm is needed to determine sweet oranges with a computerized system created using the Convolutional Neural Network (CNN) algorithm, which is one of the deep learning algorithms, which is the development of Multilayer Perceptron (MLP), which is able to process data in two-dimensional form, for example. Images as well as being able to classify images with more or larger classes. This system is designed and built using the Matlab programming language version R2018a, with 100 sweet orange image datasets showing an accuracy rate of 96% for training 92% for testing which is considered to have been able to classify the feasibility of sweet oranges very well. In testing using new data from 10 images of sweet oranges, 9 images of sweet oranges were generated with the correct value and 1 image of sweet oranges with a false value.

Jaringan kolaborasi para penulis

5 penulis · 10 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Pasir Pangaraian
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB)</dc:title>
	<dc:creator xml:lang="id">Yanto, Budi</dc:creator>
	<dc:creator xml:lang="id">Rouza, Erni</dc:creator>
	<dc:creator xml:lang="id">Fimawahib, Luth</dc:creator>
	<dc:creator xml:lang="id">Hayadi, B.Herawan</dc:creator>
	<dc:creator xml:lang="id">Pratama, Rinanda Rizki</dc:creator>
	<dc:description xml:lang="id">Secara umum proses menentukan jeruk manis layak (bagus) dan tidak layak (busuk) masih banyak menggunakan cara manual. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diamati. Pengamatan dengan cara ini memiliki beberapa kelemahan yaitu adanya keterbatasan visual manusia, di pengaruhi oleh kondisi psikis pengamatannya serta memakan waktu yang lama terutama bagi perkebunan besar. Untuk itu, diperlukan suatu algoritma untuk menentukan buah jeruk manis dengan sistem terkomputerisasi yang dibuat menggunakan algoritma Convolutional Neural Network (CNN) merupakan salah satu algoritma dari deep learning yang merupakan pengembangan dari Multilayer Percepton (MLP) yang mampu mengolah data dalam bentuk dua dimensi, misalnya gambar serta mampu melakukan klasifikasi pada citra dengan kelas–kelas yang lebih banyak atau besar. Sistem ini dirancang dan dibangun menggunakan bahasa pemrograman matlab versi R2018a, dengan 100 dataset gambar jeruk manis menunjukan tingkat akurasi sebesar 96% untuk training 92% untuk testing yang dinilai telah mampu melakukan klasifikasi kelayakan buah jeruk manis dengan sangat baik. Pada pengujian menggunakan data baru dari 10 citra jeruk manis dihasilkan 9 citra jeruk manis dengan nilai benar dan 1 citra jeruk manis dengan nilai salah. AbstractIn general, the process of determining appropriate (good) and unfit (rotten) sweet oranges still uses manual methods. The manual method is carried out based on direct visual observation of the fruit to be observed. Observations in this way have several weaknesses, namely the presence of human visual limitations, being influenced by the psychological condition of the observations and taking a long time, especially for large plantations. For this reason, an algorithm is needed to determine sweet oranges with a computerized system created using the Convolutional Neural Network (CNN) algorithm, which is one of the deep learning algorithms, which is the development of Multilayer Perceptron (MLP), which is able to process data in two-dimensional form, for example. Images as well as being able to classify images with more or larger classes. This system is designed and built using the Matlab programming language version R2018a, with 100 sweet orange image datasets showing an accuracy rate of 96% for training 92% for testing which is considered to have been able to classify the feasibility of sweet oranges very well. In testing using new data from 10 images of sweet oranges, 9 images of sweet oranges were generated with the correct value and 1 image of sweet oranges with a false value.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2023-02-28</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/5695</dc:identifier>
	<dc:identifier>10.25126/jtiik.2023105695</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 10 No 1: Februari 2023; 59-66</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 10 No. 1: Februari 2023; 59-66</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2023101</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/5695/pdf</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2023 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
</oai_dc:dc>