DETEKSI JENIS DAN KEMATANGAN PISANG MENGGUNAKAN METODE EXTREME LEARNING MACHINE
##plugins.themes.academic_pro.article.sidebar##
Downloads
##plugins.themes.academic_pro.article.main##
Abstract
Kebun Pisang Celak, yang berada di desa Celak Kec. Cililin adalah salah satu tempat yang khusus bercocok tanam buah pisang. Pisang pada Kebun Pisang Celak ini beraneka ragam jenis. Permasalahan yang ditemukan adalah kurang tepatnya dan kurang pengetahuannya karyawan dalam membedakan jenis dan kematangan pisang terutama karyawan baru. Penelitian ini membuat aplikasi deteksi jenis pisang dan kematangan pisang menggunakan metode Extreme learning machine. Dataset pada penelitian ini merupakan gambar pisang dengan 9 jenis yaitu pisang ambon, pisang raja, pisang cavendish, pisang kirana, pisang barangan, pisang Nangka, pisang mas dan pisang kapok. Kematangan pisang pada penelitian ini yaitu tingkat mentah, matang dan terlalu matang. Program dibuat menggunakan tensorflow python. CNN diuji dan menghasilkan tingkat akurasi sebesar 89%. Hasil dari penelitian ini yaitu aplikasi berbasis android untuk mendeteksi jenis pisang.
##plugins.themes.academic_pro.article.details##
Pemberitahuan Hak Cipta
Usulan kebijakan untuk jurnal yang menawarkan akses terbuka Syarat yang dibutuhkan penulis adalah sebagai berikut:
1. Penulis memegang hak cipta dan memberikan jurnal hak penerbitan pertama secara bersamaan di bawah lisensi di bawah Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0), yang mengizinkan orang lain untuk menyalin dan mendistribusikan ulang materi ini dalam bentuk atau format apa pun termasuk menyusun, memodifikasi, dan membuat turunan materi ini untuk tujuan apa pun, termasuk tujuan komersial.
2. Penulis dapat membuat pengaturan kontrak terpisah untuk distribusi non-eksklusif dari versi dekaden publikasi jurnal (misalnya mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan mengakui publikasi aslinya di jurnal ini.
3. Penulis diizinkan dan didorong untuk memposting artikel secara online (misalnya di repositori institusional atau di situs web mereka) seperti pada Garuda, Academia, researchgate atau repository lainnya sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif dan kutipan artikel yang diterbitkan lebih awal dan lebih maju (periksa: Efek Akses Terbuka)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Ferdiana, R., Jatmiko, F., Purwanti, D.D., Ayu, A. S. T., Dicka, W. F. (2019). Dataset Indonesia Untuk Analisis Sentimen. JNTETI, vol. 8, no. 4, 334-339.
Herliana, A., Setiawan, V. A., & Prasetio, R. T. (2018). Penerapan Inferensi Backward Chaining Pada Sistem Pakar Diagnosa Awal Penyakit Tulang. Jurnal Informatika, 5(1), 50-60.
Kurniawan, T. A. (2018). Pemodelan Use Case (UML) : Evaluasi Terhadap Beberapa Kesalahan Dalam Praktik. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 5, pp. 77-86.
Mahmud, K. H., Adiwijaya & Al Faraby, S. (2019). Klasifikasi Citra Multi-Kelas Menggunakan Extreme learning machine. E-Proceeding of Engineering : Vol.6 ISSN : 2355-9365.
Maulana, F. F., & Rochmawati, N. (2020). Klasifikasi Citra Buah Menggunakan Convolutional Neural Network. Journal of Informatics and Computer Science (JINACS), 1(02).
O'Shea, K., & Nash, R. (2015). An Introduction to Extreme learning machines, Neural and Evolutionary Computing: Cornel University.
Pujoseno, J. (2018). Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Alat Tulis. Program Studi Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Islam Indonesia
Prasetio, R. T., & Riana, D. (2015, November). A comparison of classification methods in vertebral column disorder with the application of genetic algorithm and bagging. In 2015 4th international conference on instrumentation, communications, information technology, and biomedical engineering (ICICI-BME) (pp. 163-168). IEEE.
Prasetio, R. T. (2014). Inventory Control Using Statistics Forecasting on Manufacture Company. Jurnal Informatika, 1(2).
Prasetio, R. T., & Pratiwi, P. (2015). PENERAPAN TEKNIK BAGGING PADA ALGORITMA KLASIFIKASI UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS DATASET MEDIS. Jurnal Informatika, 2(2).
Prasetio, R. T., & Ripandi, E. (2019). Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection. Jurnal Informatika, 6(1), 100-106.
Prasetio, R. T., Rismayadi, A. A., & Anshori, I. F. (2018). Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang. Jurnal Informatika, 5(2), 186-194.
Prasetio, R. T., & Susanti, S. (2019). Prediksi Harapan Hidup Pasien Kanker Paru Pasca Operasi Bedah Toraks Menggunakan Boosted k-Nearest Neighbor. JURNAL RESPONSIF: Riset Sains & Informatika, 1(1), 64-69.
Ramdani, S. (2020). BUDIDAYA PISANG [Online]. Available: https://dinpertan.purbalinggakab.go.id/budidaya-pisang/.
Riana, D. (2018). Classification of Pap Smear. International Journal of Electrical and Computer Engineering (IJECE), 8(6), 5415-5424.
Sabilla, I. A., Wahyuni, C. S., Fatichah, C., & Herumurti, D. (2019). Determining Banana Types and Ripeness from Image using Machine Learning Methods. International Conference of Artificial Intelligence and Information Technology (ICAIIT).
Salawazo, V. M. P., Gea, D. P. J., & Azmi, Fadillah. (2019). Implementasi Metode Extreme learning machine (CNN) Pada Pengenalan Objek Video CCTV. Jurnal Mantik Penusa, vol. 3, no. 11.
Sari, D. E. (2016). QUIZLET: APLIKASI PEMBELAJARAN BERBASIS SMARTPHONE ERA GENERASI MILENIAL. Jurnal Pendidikan Ilmu Sosial, Vol 29, No.1, Juni 2019, pp. 9-15.
Setiawan, E. B., & Herdianto, R. (2018). Penggunaan Smartphone Android sebagai Alat Analisis Kebutuhan Kandungan Nitrogen pada Tanaman Padi. JNTETI, Vol. 7, No. 3, ISSN 2301 - 4156, pp. 273-280, 2018.
Wicaksono, A. F. (2020). Tutorial Dasar Tensorflow. [Online]. Available: https://ir.cs.ui.ac.id/alfan/tutorial/tf_intro.html.