Widiadnyana, Kadek (2025) PENGEMBANGAN APLIKASI ANDROID UNTUK KLASIFIKASI JENIS MANGGA LOKAL DI BALI MENGGUNAKAN MOBILENETV2. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2115101002-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2115101002-ABSTRAK.pdf Download (29kB) |
|
Text (BAB 1 PENDAHULUAN)
2115101002-BAB 1 PENDAHULUAN.pdf Download (160kB) |
|
Text (BAB 2 KAJIAN TEORI)
2115101002-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (756kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2115101002-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2115101002-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2115101002-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (46kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2115101001-DAFTAR PUSTAKA.pdf Download (169kB) |
|
Text (LAMPIRAN)
2115101002-LAMPIRAN.pdf Download (860kB) |
Abstract
Mangga merupakan komoditas buah unggulan Indonesia, termasuk di Bali yang memiliki varietas lokal seperti Amplemsari, Poh Bikul, dan Poh Angus. Namun, kurangnya dokumentasi dan pengetahuan masyarakat menyebabkan varietas ini terancam punah. Penelitian ini bertujuan mengembangkan aplikasi Android untuk klasifikasi jenis mangga lokal Bali menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Metodologi penelitian meliputi pengumpulan dataset mangga lokal Bali, preprocessing data dengan pembersihan latar belakang dan augmentasi, serta pelatihan model menggunakan teknik k-fold cross-validation sebanyak lima kali. Proses klasifikasi dilakukan dalam dua tahap, yaitu deteksi objek mangga dan klasifikasi jenisnya. Pengembangan aplikasi menggunakan metode Rapid Application Development (RAD), mencakup analisis kebutuhan, desain antarmuka pengguna, dan implementasi sistem. Hasil penelitian menunjukkan model CNN terbaik mencapai akurasi pelatihan 100% dan akurasi pengujian 99%. Evaluasi performa menggunakan metrik akurasi, presisi, recall, dan confusion matrix menunjukkan hasil klasifikasi yang sangat baik. Model CNN diintegrasikan ke dalam aplikasi menggunakan format TensorFlow Lite (TFLite), memungkinkan klasifikasi langsung dari kamera atau galeri. Pengujian fungsional dengan black-box testing menunjukkan seluruh fitur berjalan optimal, sedangkan pengujian usability dengan metode UMUX memperoleh skor 91,5, menandakan aplikasi sangat mudah digunakan. Penelitian ini diharapkan dapat mendukung upaya pelestarian varietas mangga lokal Bali melalui solusi teknologi digital yang inovatif dan mudah diakses oleh masyarakat.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Mangga Lokal, Klasifikasi, CNN, MobileNetV2, RAD, Android, TFlite, UMUX |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Kadek Widiadnyana |
| Date Deposited: | 25 Jul 2025 05:59 |
| Last Modified: | 25 Jul 2025 05:59 |
| URI: | http://repo.undiksha.ac.id/id/eprint/26027 |
Actions (login required)
 |
View Item |