Contoh pendekatan Deep learning untuk masalah pendeteksian objek pada ar

L. A. Azizah, et al./Semesta Teknika,Vol. 21, No. 2, 230-236, November 2018

KESIMPULAN

Dari penelitian ini dapat disimpulkan beberapa

hal dalam penerapan metode deep learning

dengan multilayer untuk mendeteksi kecacatan

permukaan buah mangis, yaitu: . Sistem deteksi

citra cacat permukaan buah manggis yang

dikembangkan pada penelitian ini dapat

mendeteksi cacat permukaan buah manggis

dengan cukup baik setelah dilakukan pengujian

sistem yang menghasilkan akurasi optimal

dengan rata rata 98%. Akuransi paling stabil

dan paling baik untuk melakukan klasifikasi

kecatatan adalah pengolahan data pada layer 3

hingga layer 5 dengan epoch 10 hingga 40.

Layer 4 dengan epoch 30 merupakah pemilihan

layer yang paling stabil untuk pengolahan data

digital buah manggis ini. Penambahan epoch

terbukti memberikan hasil yang lebih optimal

Saran untuk penelitian selanjutnya yang

berkaitan dengan penelitian ini, yaitu: Menguji

dengan parameter lain pada klasifikasi CNN

yang selanjutnya dikombinasikan dengan

ekstraksi fitur yang paling sesuai untuk

digunakan pada proses klasifikasi sehingga

menghasilkan akurasi optimal. Penambahan

Epoch untuk hasil lebih optimal.

Memaksimalkan jumlah data hingga 1000

gambar data dengan kualitas foto high quality.

UCAPAN TERIMA KASIH

Penulis mengucapan terima kasih kepada pihak-

pihak yang telah membantu dalam penelitian

yang dipublikasikan dalam jurnal ini terutama

Universitas Muhammadiyah Yogyakarta.

DAFTAR PUSTAKA

Balai Besar Penelitian dan Pengembangan

Pascapanen Pertanian. (2010). Laporan

Kinerja 2010. Bogor: Badan Penelitian

dan Pengembangan Pertanian.

Gonzalez, R. C., & Woods, R. E. (2002).

Digital Image Processing. New Jersey:

Pearson Education.

Hermawati, F. A. (2013). Pengolahan Citra

Digital: Konsep dan Teori. Yogyakarta:

Andi.

Khoje, S. A., Bodhe, S. K., & Adsul, A. (2013).

Automated Skin Defect Identification

System for Fruit Grading Based on

Discrete Curvelet Transform.

International Journal of Engineering

and Technology (IJET), 5(4), 3251-

3256.

Krizhevsky, A., Sutskever, I., & Hinton, G. E.

(2012). Imagenet Classification With

Deep Convolutional Neural Networks. In

Advances in neural information

processing systems (pp. 1097-1105).

LeCun, Y., Bengio, Y., & Hinton, G. (2015).

Deep Learning. Nature, 521 (7533), 436-

444.

Mathworks. (2017). Convolutional Neural

Network. Diambil kembali dari

Mathworks:

https://www.mathworks.com/discovery/c

onvolutional-neural-network.html

Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee,

H., & Ng, A. Y. (2011). Multimodal

deep learning. In Proceedings of the

28th international conference on

machine learning (ICML-11) (pp. 689-

696)Putra, W. S. E. (2016). Klasifikasi

Citra Menggunakan Convolutional

Neural Network (CNN) pada Caltech

101. Jurnal Teknik ITS, 5(1).

Ranjit, K. N., Chethan, H. K., & Naveena, C.

(2016). Identification and Classification

of Fruit Diseases. International Journal

of Engineering Research and Application

(IJERA), pp.11 – 14).

Sianipar, R. (2013). Pemograman MATLAB

dalam Contoh dan Terapan. Bandung:

Penerbit Informatika.

Sindonews. (2014). Tiga jenis buah-buahan ini

jadi andalan ekspor Indonesia. Diambil

kembali dari

Sindonews:https://ekbis.sindonews.com/r

ead/853574 /34/tiga-jenis-buah-buahan-

ini-jadi-andalan-ekspor-indonesia-

1397374803

Springenberg, J. T., Dosovitskiy, A., Brox, T.,

& Riedmiller, M. (2014). Striving for

Simplicity: The All Convolutional Net.

ICLR-2015.

Socher, R., Huval, B., Bath, B., Manning, C.

D., & Ng, A. Y. (2012). Convolutional-

Recursive Deep Learning for 3D Object

Classification. In Advances in Neural

Information Processing Systems (pp.

656-664).