Wisnu, Dewa Komang Reiki Perdana Wisnu (2026) CLASSIFICATION OF MELONS BASED ON SKIN IMAGES USING CONVOLUTIONAL NEURAL NETWORKS (CNN). Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2115101006-COVER.pdf Download (950kB) |
|
Text (ABSTRAK)
2115101006_ABSTRAK.pdf Download (241kB) |
|
Text (BAB 1 PENDAHULUAN)
2115101006-BAB 1 PENDAHULUAN.pdf Download (313kB) |
|
Text (BAB 2 KAJIAN TEORI)
2115101006-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (764kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2115101006-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (512kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2115101006-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2115101006-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (291kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2115101006-DAFTAR PUSTAKA.pdf Download (336kB) |
|
Text (LAMPIRAN)
2115101006-LAMPIRAN.pdf Download (646kB) |
Abstract
Melon hijau (Sky Rocket) dan melon oranye (Rock Melon) sulit dibedakan secara visual karena kemiripan tekstur kulit sehingga menghambat penyortiran manual. Penelitian ini mengembangkan sistem klasifikasi citra otomatis berbasis Deep Learning dengan mengkomparasi performa dua arsitektur jaringan saraf tiruan, VGG16 dan CNN kustom, yaitu CNN yang dirancang secara mandiri dari dasar. Dataset terdiri dari 406 citra yang diproses menggunakan strategi Online Data Augmentation untuk meningkatkan variabilitas dinamis. Selain itu, teknik differential cropping diterapkan untuk menguji ketahanan skala. Citra latih diperbesar 1,5 kali dan citra uji 2,5 kali. Pelatihan model menggunakan pendekatan 5-Fold Stratified Cross-Validation. Hasil validasi internal sangat tinggi, CNN kustom mencapai akurasi 100% dan VGG16 sebesar 98,77%. Namun, pada pengujian data baru, terjadi kesenjangan generalisasi yang signifikan, akurasi VGG16 turun menjadi 77,50% dan CNN kustom menjadi 76,25%. Analisis kesalahan mengindikasikan VGG16 sensitif terhadap variasi ukuran objek, sedangkan CNN kustom sensitif terhadap intensitas pencahayaan. Meskipun akurasi pengujian lebih rendah, CNN kustom ditetapkan sebagai model terbaik untuk implementasi perangkat seluler karena unggul signifikan dalam efisiensi komputasi. Model ini memproses data 12 kali lebih cepat dengan ukuran file hanya 4,6 MB. Kesimpulannya, CNN kustom adalah solusi optimal untuk penyortiran realtime dengan syarat pencahayaan dan jarak pengambilan citra dijaga konstan
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Convolutional Neural Network, CNN Kustom, Efisiensi Komputasi, Klasifikasi Melon, VGG16 |
| Subjects: | Q Science > Q Science (General) T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Dewa Komang Reiki Perdana Wisnu |
| Date Deposited: | 12 Mar 2026 01:26 |
| Last Modified: | 12 Mar 2026 01:26 |
| URI: | http://repo.undiksha.ac.id/id/eprint/28837 |
Actions (login required)
 |
View Item |