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). |