Dosen Pembimbing I: Dr. Muhammad Anggia Muchtar S.T., MM.IT. Paraf Calon Dosen Pembimbing I
(Jika judul dari dosen maka dosen tersebut berhak menjadi pembimbing I)
Penelitian Terdahulu
Ulla Delfana
Klasifikasi Kualitas Biji Jagung
Rosiani.,
Berdasarkan Deteksi Warna dan Bentuk
3. Mustika 2019
Menggunakan Metode K-Nearest
Mentari, Andi
Neighbor
Novan Prastya.
Yoze Rizky,
Reny
medikawaty Klasifikasi Pola Kain Tenun Melayu
5 2021
Taufiq, Dinia Menggunakan Faster R-CNN
Putri, dan
Harun Mukhtar
Perbedaan penelitian ini dengan penelitian sebelumnya ialah, pada penelitian ini data
yang digunakan untuk penelitian ini berbeda dengan penelitian yang telah ada karena
pengambilan data dilakukan oleh penulis, dan langsung dari hasil panen jagung di
daerah sumatera utara. Pada penelitian sebelumnya belum ada yang melakukaan
penelitian klasifikasi mutu jagung dengan metode faster Regional Convolutional
Network, metode ini memiliki kecepatan deteksi yang lebih cepat dan ekstraksi fitur
yang lebih kompleks. Pada penelitian ini saya ingin meneliti kualitas mutu jagung
berdasarkan SNI 01-3920-1995 yaitu kadar air, biji rusak, biji berjamur, dan biji pecah.
Rumusan Tingkat kualitas mutu jagung dan dilihat dengan mata telanjang, tetapi tidak semua
Masalah orang mempunyai kemampuan untuk menilai suatu mutu jagung, hal ini mempunyai
kelemahan untuk masyarakat yang tidak mengerti bagaimana menilai suatu mutu
jagung, sedangkan pada saat panen petani jagung menjual jagungnya dan pembeli yang
menilai jagung tersebut, kegiatan ini mempunyai kelemahan pada subjektifiktas
penilaian mutu jagung, Dengan melalui pemanfaatan ilmu citra digital diperlukan dan
akan membantu petani jagung dalam menilai suatu mutu jagung berdasarkan tekstur dan
kadar air pada jagung maka diperlukan pendekatan untuk menhasilkan suatu sistem yang
dapat mengklasifikasi mutu biji jagung berdasarkan kadar air dan tekstur.
Metodologi
Image Acquisition
Image acquisition merupakan tahap awal dalam penelitian, yaitu dengan
mengumpulkan data citra biji jagung sebagai input dari aplikasi. Citra biji jagung yang
digunakan untuk mengklasifikasinya mutu jagung menjadi 3 mutu, yaitu mutu A
sebagai mutu yang sangat baik, mutu B sebagai mutu baik, dan mutu C sebagai mutu
yang tidak baik. Citra diambil menggunakan kamera smartphone 12 MP, dan data
akan dibagi menjadi data testing dan training.
Pre-Processing
Tahap ini merupakan tahap dimana data citra akan diolah agar data bisa di gunakan
untuk di proses ke tahap selanjutnya. Pada tahap ini akan dilakukan pada penelitian,
pengolahan data terdiri dari Labeling, Resizing dan Augmentasi.
Segmentation
Pada tahap segmentation dilakukan thresholding yaitu melakukan segmentasi citra
kedalam beberapa bagian agar citra objek dan background terpisah.
Method Classifier
Metode klasifikasi yang digunakan pada penelitian ini adalah Faster Region
Convolutional Neuran Network (Faster R-CNN). Klasifikasi dibagi ke dalam 2 proses
yaitu proses training dan proses testing. Adapun tahapan dari klasifikasi image Faster
R-CNN adalah sebagai berikut:
Load Model
Proses klasifikasi citra yang dilakukan saat training data menghasilkan sebuah learned
model yang kemudian akan digunakan pada aplikasi. Learned model atau yang dapat
disebut juga dengan saved model. Pada learned model terdapat 3 klasifikasi mutu
jagung yaitu mutu A, mutu B, dan mutu C.
TFLite Model
Learned model yang telah terbentuk kemudian di ubah menjadi format tensorflow lite
agar bisa dijalankan pada aplikasi berbasis android. Tensorflow Lite menyediakan
framework untuk model Tensorflow yang sudah dilatih. Learned model yang
berukuran besar tersebut diconvert ke TFLite model sehingga ukuran model menjadi
ukuran biner yang lebih kecil dan lebih ringan untuk dijalankan pada perangkat
berbasis android.
Result
Hasil dari semua proses diatas adalah klasifikasi kualitas mutu jagung yang dibagi
menjadi tiga tingkatan yaitu kualitas sangat baik, baik dan tidak baik.
Referensi Sari, N. I., & Tirtadji, P. (2017). Pengembangan Sistem Inspeksi Nondestruktif untuk
Menentukan Kualitas Biji Jagung. Jurnal Teknologi Pertanian, 18(3), 167-174.
Iqbal, F. M., Arifin, M., & Permana, R. S. (2019). Pengembangan Model Klasifikasi
Kualitas Jagung Berdasarkan Citra Menggunakan Convolutional Neural
Network (CNN). Prosiding Seminar Nasional Teknik Elektro, 177-182.
Isfarayani, E., & Supriana, T. (2018). Klasifikasi Kualitas Jagung dengan Metode K-
Nearest Neighbor (KNN) Berdasarkan Fitur Citra. Jurnal Rekayasa Elektrika,
15(2), 82-87.
Zahroh, F., Suryaningrat, W., & Fanany, M. I. (2019). Klasifikasi Kualitas Biji Jagung
Menggunakan Metode K-Means Clustering dan Naive Bayes Classifier. Jurnal
Teknologi Informasi dan Ilmu Komputer, 6(2), 183-190.
Cahyono, R. W., & Sari, R. F. (2016). Klasifikasi Kualitas Biji Jagung Menggunakan
Jaringan Syaraf Tiruan Backpropagation. Jurnal Ilmiah Teknologi Informasi
Asia, 10(2), 93-100.
(Timothy Agalliasis)
NIM. 191402084