ANALISIS PERBANDINGAN METODE TRANSFER LEARNING DENSENET201 DAN VGG-19 TERHADAP PERFORMA KLASIFIKASI KUALITAS BUAH TOMAT
DOI:
https://doi.org/10.23960/jitet.v13i1.5810Abstract Views: 404 File Views: 350 File Views: 0
Abstract
Melakukan analisa kualitas khususnya pada bidang pertanian pada buah tomat menjadi salah satu aspek penting karena buah tomat merupakan salah satu buah yang hingga saat ini banyak digunakan untuk pengolahan pangan. Data yang diperoleh diolah dengan memanfaatkan teknologi dengan metode transfer learning menggunakan metode DenseNet201 dan VGG19. Metode yang akan digunakan dalam pengolahan data akan dibandingkan untuk mendapatkan hasil yang lebih efektif dalam memprediksi kualitas buah tomat. Hasil menunjukan bahwa dengan model DenseNet201 dengan menggunakan ImageNet mendapatkan nilai akurasi sebesar 92% dan model VGG didapatkan hasil sebesar 82% sedangkan hasil tanpa ImageNet diperoleh model DenseNet201 memperoleh hasil akurasi sebesar 88% sedangkan model VGG19 sebesar 90%. Pada penelitian ini dilakukan untuk pengembangan sistem komputasi dalam mengklasifikasi kualitas buah tomat yang lebih efektif dalam dalam proses evaluasi.Downloads
References
E. I. Haksoro and A. Setiawan, “Pengenalan Jamur Yang Dapat Dikonsumsi Menggunakan Metode Transfer Learning Pada Convolutional Neural Network,” J. ELTIKOM, vol. 5, no. 2, pp. 81–91, 2021, doi: 10.31961/eltikom.v5i2.428.
B. A. Sadewa and Y. Yamasari, “Implementasi Deep Transfer Learning untuk Klasifikasi Nominal Uang Kertas Rupiah,” J. Informatics Comput. Sci., vol. 5, no. 04, pp. 543–551, 2024, doi: 10.26740/jinacs.v5n04.p543-551.
A. C. Milano, A. Yasid, and R. T. Wahyuningrum, “Klasifikasi Penyakit Daun Padi Menggunakan Model Deep Learning Efficientnet-B6,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 1, 2024, doi: 10.23960/jitet.v12i1.3855.
A. B. Saputra, D. P. Pamungkas, and D. Wahyu, “Rancangan Sistem Identifikasi Citra Penyakit dan Hama Bawang Merah Menggunakan Metode CNN model Densenet 201,” vol. 8, pp. 775–780, 2024.
R. A. Tilasefana and R. E. Putra, “Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG NET Untuk Pengenalan Cuaca,” J. Informatics Comput. Sci., vol. 05, no. 1, pp. 48–57, 2023.
A. Solihin, D. I. Mulyana, and M. B. Yel, “Klasifikasi Jenis Alat Musik Tradisional Papua menggunakan Metode Transfer Learning dan Data Augmentasi,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 5, no. 2, pp. 36–44, 2022, doi: 10.47970/siskom-kb.v5i2.279.
F. Rochman and H. Junaedi, “Implementasi Transfer Learning untuk Identifikasi Ordo Tumbuhan melalui Daun,” J. Syntax Admiration p-ISSN, vol. 1, no. 6, pp. 672–679, 2020.
A. J. Rozaqi, A. Sunyoto, and M. R. Arief, “Implementasi Transfer Learning pada Algoritma Convolutional Neural Network Untuk Identifikasi Penyakit Daun Kentang Implementation,” Procedia Eng. Life Sci., vol. 1, no. 1, 2021.
F. Ramadhani, A. Satria, and S. Salamah, “Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak,” sudo J. Tek. Inform., vol. 2, no. 4, pp. 167–175, 2023, doi: 10.56211/sudo.v2i4.408.
M. L. B. Permadi and R. Gumilang, “Penerapan Algoritma CNN (Convolutional Neural Network) Untuk Deteksi dan Klasifikasi Target Militer Berdasarkan Citra Satelit,” J. Sos. dan Teknol., vol. 4, no. 2, pp. 134–143, 2024, doi: 10.59188/jurnalsostech.v4i2.1138.
F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, pp. 104–108, 2020, doi: 10.26740/jinacs.v1n02.p104-108.
A. Faizin, A. T. Arsanto, M. Lutfi, and A. R. Musa, “Deep Pre-Trained Model Menggunakan Arsitektur Densenet Untuk Identifikasi Penyakit Daun Padi,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 615–621, 2022, doi: 10.36040/jati.v6i2.5475.
G. Huang, Z. Liu, L. van der Maaten, and K. Q. Weinberger, “Densely Connected Convolutional Networks Gao,” CVPR (Conference Comput. Vis. Pattern Recognition), pp. 4700–4708, 2017.
A. Michael and J. Rusman, “Klasifikasi Cacat Biji Kopi Menggunakan Metode Transfer Learning dengan Hyperparameter Tuning Gridsearch,” J. Teknol. dan Manaj. Inform., vol. 9, no. 1, pp. 37–45, 2023, doi: 10.26905/jtmi.v9i1.10035.
D. Marcella, Y. Yohannes, and S. Devella, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19,” J. Algoritm., vol. 3, no. 1, pp. 60–70, 2022, doi: 10.35957/algoritme.v3i1.3331.
Weny Indah Kusumawati and Adisaputra Zidha Noorizki, “Perbandingan Performa Algoritma VGG16 Dan VGG19 Melalui Metode CNN Untuk Klasifikasi Varietas Beras,” J. Comput. Electron. Telecommun., vol. 4, no. 2, 2023, doi: 10.52435/complete.v4i2.387.
A. Agung, A. Daniswara, I. Kadek, and D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” J. Informatics Comput. Sci., vol. 05, pp. 97–100, 2023.
