KLASIFIKASI BENIH JAGUNG HAPLOID DAN DIPLOID MENGGUNAKAN MODIFIED CONVOLUTIONAL NEURAL NETWORK RESNET152V2

NOVEL RAMADHAN (2024) KLASIFIKASI BENIH JAGUNG HAPLOID DAN DIPLOID MENGGUNAKAN MODIFIED CONVOLUTIONAL NEURAL NETWORK RESNET152V2. S1 thesis, Universitas Trunojoyo Madura.
[thumbnail of TRUNOJOYO-Tugas Akhir-34118-Conclusion.pdf] PDF
TRUNOJOYO-Tugas Akhir-34118-Conclusion.pdf
Restricted to Repository staff only

Download (67kB)
[thumbnail of TRUNOJOYO-Tugas Akhir-34118-Chapter4.pdf] PDF
TRUNOJOYO-Tugas Akhir-34118-Chapter4.pdf
Restricted to Repository staff only

Download (1MB)
[thumbnail of TRUNOJOYO-Tugas Akhir-34118-Chapter3.pdf] PDF
TRUNOJOYO-Tugas Akhir-34118-Chapter3.pdf
Restricted to Repository staff only

Download (566kB)
[thumbnail of TRUNOJOYO-Tugas Akhir-34118-Chapter2.pdf] PDF
TRUNOJOYO-Tugas Akhir-34118-Chapter2.pdf
Restricted to Repository staff only

Download (645kB)
[thumbnail of TRUNOJOYO-Tugas Akhir-34118-Chapter1.pdf] PDF
TRUNOJOYO-Tugas Akhir-34118-Chapter1.pdf
Restricted to Repository staff only

Download (150kB)
[thumbnail of TRUNOJOYO-Tugas Akhir-34118-Cover.pdf] PDF
TRUNOJOYO-Tugas Akhir-34118-Cover.pdf
Restricted to Repository staff only

Download (1MB)
[thumbnail of TRUNOJOYO-Tugas Akhir-34118-Abstract.pdf] PDF
TRUNOJOYO-Tugas Akhir-34118-Abstract.pdf
Restricted to Repository staff only

Download (67kB)
[thumbnail of TRUNOJOYO-Tugas Akhir-34118-References.pdf] PDF
TRUNOJOYO-Tugas Akhir-34118-References.pdf
Restricted to Repository staff only

Download (153kB)

Abstract

ABSTRAKSIrnJagung sebagai komoditas penghasil karbohidrat yang memiliki beragam cara pengolahan sebagai makanan maupun produk industri. Salah satu cara yang dapat dilakukan untuk meningkatkan produktivitas adalah dengan perbaikan varietas unggul seperti membentuk kultivar unggul, baik kultivar bebas maupun hibrida. Salah satu proses penting yang dilakukan adalah pemilihan benih haploid dan diploid. Namun, pemilihan haploid secara manual merupakan proses yang membutuhkan waktu. Oleh sebab itu, perlu adanya sistem otomatis yang dapat mengidentifikasi benih haploid. Penelitian ini menggunakan teknik transfer learning pada Convolutional Neural network (CNN) Resnet152v2 yang sudah dimodifikasi. Dataset yang digunakan diambil dari dataset public Robotics, Vision and Learning Research Group (rovile.org). Selain itu, untuk menangani ketidakseimbangan dalam dataset, peneliti menggunakan teknik undersampling yang digunakan untuk mengurangi jumlah sampel dari kelas mayoritas. Dataset yang digunakan terdiri dari 2 kelas yaitu Haploid dan Diploid. Tahap pre-processing melalui proses undersampling, resize citra, pembagian data dan augmentasi data. Selanjutnya, model Resnet152v2 modifikasi dengan transfer learning dibangun dan dilatih dengan menggunakan data training dan data testing. Penelitian dilakukan dengan 5 skenario uji coba dengan jumlah data, epoch, dan rasio pembagian data training validasi yang berbeda. Skenario 1 dan 2 menggunakan data yang tidak seimbang, sedangkan skenario 3 dan 4 menggunakan data yang telah diseimbangkan dengan menggunakan teknik undersampling. Skenario 5 menguji perbedaan jumlah rasio pembagian data training dan validasi. Berdasarkan hasil uji coba, uji skenario 2 memiliki hasil yang paling baik dibanding hasil skenario yang lain. Nilai akurasi yang didapat mencapai 91,3%, sensitivity 99,6% %, specificity 99,6% . Skenario ini selanjutnya dilakukan pengujian menggunakan data eksperimen, eksperimen ini merupakan benih jagung yang dibeli dari petani jagung di Madura. Diharapkan hasil ini dapat membantu petani jagung dalam membedakan benih jagung.

Item Type Thesis (Skripsi)
Thesis Type S1
Creators
Creators
NIM
NOVEL RAMADHAN
Department Sistem Informasi
Uncontrolled Keywords Klasifikasi Citra; Benih Jagung; Convolutional Neural Network; ResNet152v2
Divisions Fakultas Teknik > S1 - Sistem Informasi
Additional Information elib mass import
Depositing User Unnamed user with email library@trunojoyo.ac.id
Date Deposited 19 Oct 2026 16:32
Last Modified 24 Oct 2026 16:52
URI https://repository.trunojoyo.ac.id/id/eprint/8437

Actions (login required)

View Item
View Item