Penerapan Convolutional Neural Network pada Timbangan Pintar Menggunakan ESP32-CAM

(1)

Penerapan Convolutional Neural Network pada Timbangan Pintar Menggunakan ESP32-CAM

Hanung Pangestu Rahman^*, Jamaludin Indra, Rahmat

Fakultas Ilmu Komputer, Teknik Informatika, Universitas Buana Perjuangan Karawang, Karawang, Indonesia Email: ^1,*if19.hanungrahman@mhs.ubpkarawang.ac.id, ²jamaludin.indra@ubpkarawang.ac.id,³rahmat@ubpkarawang.ac.id

Email Penulis Korespondensi: if19.hanungrahman@mhs.ubpkarawang.ac.id

Abstrak−Timbangan sangat dibutuhkan para pedagang termasuk pedagang sayuran, akan tetapi timbangan yang diciptakan di pasaran hanya bisa menentukan beratnya saja. Dengan begitu pengguna timbangan membutuhkan lebih banyak waktu untuk memvalidasi transaksi tersebut. Pada penelitian sebelumnya telah ada penelitian tentang timbangan pintar yang dapat menghitung total harga berdasarkan berat dan jenis sayuran yang ditimbang, penelitian tersebut menggunakan Raspberry Pi 3 Model B dan Convolutional Neural Network (CNN) sebagai metode untuk timbangan dapat mengenali jenis sayuran yang berada di atasnya. Seiring perkembangan teknologi yang sangat pesat membuat harga Raspberry Pi semua varian mengalami kenaikan harga. Maka dari itu perlunya penelitian tentang timbangan pintar dengan komponen yang memiliki harga relatif lebih murah. Pada penelitian ini peneliti menggunakan Mikrokontroler ESP32-CAM yang harganya dibandrol relatif lebih murah dibandingkan Raspberry Pi 3 Model B, penelitian ini tetap menggunakan metode Convolutional Neural Network (CNN) dan loadcell yang di lengkapi modul HX711 sebagai sensor untuk mendapatkan nilai berat suatu benda. Dataset yang dikumpulkan berjumlah 600 data citra dengan masing masing jenis sayuran sebanyak 150 data citra, kelas pada data training terdiri dari tomat, kubis, wortel, dan kentang. Timbangan pintar dengan menggunakan ESP32-CAM mendapatkan hasil akurasi klasifikasi sebesar 90% dan selisih rata-rata alat yang dibangun sebesar 0.8 gram dibandingkan timbangan digital merek SF-400.

Kata Kunci: ESP32-CAM; CNN; Timbangan Pintar; Load Cell; Mikrokontroler

Abstract−Scales are needed by traders, including vegetable traders, but the scales created in the market can only determine the weight. That way traders need time to calculate the price based on the weight and type of vegetables. In previous research there has been research on smart scales that can calculate the total price based on the weight and type of vegetables being weighed , this study used the Raspberry Pi 3 Model B and the Convolutional Neural Network (CNN) as a method for the scales to be able to identify the types of vegetables that are on it. Along with the rapid development of technology, the price of the Raspberry Pi for all variants has increased in price. Therefore the need for research on smart scales with components that have relatively cheaper prices. In this study, researchers used the ESP32-CAM microcontroller, which is priced relatively cheaper than the Raspberry Pi 3 Model B. This research still uses the Convolutional Neural Network (CNN) method and a load cell equipped with the HX711 module as a sensor to obtain the weight value of an object. The dataset collected totaled 600 image data with 150 image data for each type of vegetable, classes in the training data consisted of tomatoes, cabbage, carrots, and potatoes.

Smart scales using the ESP32-CAM get results of a classification accuracy of 90% and the average difference of the tools built is 0.8 grams compared to the SF-400 brand digital scales.

Keywords: ESP32-CAM; CNN; Smart Scales; Load Cell; Microcontroller

1. PENDAHULUAN

Timbangan merupakan alat yang digunakan untuk mengehahui berapa nilai berat benda[1]. Beberapa jenis timbangan yang diciptakan di pasaran hanya bisa menentukan berat, belum bisa mengenali sebuah jenis-jenis buah atau sayuran, dengan begitu pengguna membutuhkan lebih banyak waktu untuk memvalidasi transaksi tersebut[2].

Pada penelitian sebelumnya, telah ada peneliti yang menciptakan sebuah timbangan sudah bisa mengenali objek yang ada di atasnya. Penelitian tersebut mendapatkan akurasi 90% dengan menggunakan Raspberry Pi 3 model B yang berukuran kecil dan Convolutional Neural Network (CNN) sebagai algoritma untuk mengenali sebuah objek[3].

Seiring perkembangan teknologi harga Raspberry Pi 3 model B mengalami kenaikan harga, dengan begitu pada penelitian kali ini Raspberry tersebut akan digantikan dengan ESP32-CAM. Maka dari itu sebagai masalah bagaimana ESP32-CAM dapat menghitung total harga sayuran berdasarkan berat dan jenis sayuran yang ditimbang, berapa selisih berat yang dibaca oleh alat yang dibuat dengan timbangan digital yang sudah ada, dan berapa tingkat akurasi hasil kalasifikasi pada timbangan pintar yang dibangun menggunakan ESP32-CAM.

ESP32-CAM merupakan sebuah mikrokontroler yang telah disertai modul-modul berupa bluetooth, wifi, kamera, slot MikroSD[4], dan 10 pin out[5]. ESP32-CAM bisa digunakan untuk melakukan komputasi yang dapat mengenali sebuah bentuk muka seseorang[6]. Sedangwkan modul untuk menghitung berat suatu benda yaitu menggunakan sensor load cell dengan bantuan HX711, HX711 bertugas yang akan mengubah sinyal analog dari load cell menjadi sebuah sinyal digital[7][8].

ESP32-CAM dapat mengenali jenis sayuran yaitu dengan menggunakan pendekatan klasifikasi Convolutional Neural Network (CNN). CNN sering digunakan dalam computer vision selama beberapa dekade, dengan menggunakan metode CNN sebuah objek dapat dikenali dari proses perhitungan data piksel dan citra visual[9]. Penelitian sebelumnya ESP32-CAM berhasil mendapatkan akurasi 77% untuk menentukan antara buah apel, pisang, dan kentang dengan menggunakan metode CNN untuk proses klasifikasi[10]. Implementasi CNN pada pengenalan jenis sayuran mendapatkan akurasi 80%[11], Menentukan kematangan buah nanas menggunakan mikrokontroler ESP32 dengan metode CNN mendapatkan akurasi 83,33%[12]. Dalam menggunakan CNN ini,

(2)

Hanung Pangestu Rahman, Copyright © 2023, MIB, Page 284 Berdasarkan latar belakang yang telah diuraikan diatas, maka pembuatan timbangan pintar yang dapat menentukan harga berdasarkan berat dan jenis sayuran dengan menggunakan komponen yang relatif lebih murah yaitu ESP32-CAM harus segera dilakukan.

2. METODOLOGI PENELITIAN

Tahapan penelitian ini terdapat tahapan yang mana tahapan tersebut dimulai dari analisis dan pengumpulan data, lalu di lanjutkan dengan training dataset, setelah training dataset selesai maka dilanjutkan dengan perancangan, setelah semua tahapan selesai lalu dilanjutkan dengan tahapan pengujian. Lebih jelasnya bisa dilihat pada Gambar 1 yaitu diagram alir tahapan penelitian.

Gambar 1. Diagram alir tahapan penelitian

Untuk penjelasan satu persatu tahapan pada Gambar 1 yang merupakan gambar diagram alir tahapan penelitian adalah sebagai berikut.

2.1 Pengumpulan Data

Pada tahapan ini memerlukan sebuah data gambar, yang mana gambar tersebut akan digunakan pada tahapan training dataset, pengambilan data gambar didapatkan dari kamera yang terpasang pada ESP32-CAM. Sempel kelas dari data gambar tersebut bisa dilihat pada Gambar 2.

Gambar 2. Sampel kelas dataset

Pada Gambar 2 data yang diambil adalah sebanyak 150 gambar setiap 4 (empat) jenis sayuran berbeda (tomat, kubis, wortel, kentang), yang mana total dari keseluruhan data gambar yaitu sebanyak 600 gambar.

2.2 Training Dataset menggunakan metode CNN

Training dataset pada penelitian ini menggunakan metode Convolutional Neural Network (CNN). CNN merupakan jenis metode yang dikembangkan dari jaringan syaraf tiruan, CCN difungsikan untuk mengelola data citra[19]. CNN adalah metode dengan hasil paling signifikan dalam pengenalan citra, hal tersebut dikarenakan Convolutional Neural Network merupakan tiruan dari sistem pengenalan citra pada visual cortex manusia[20].

Pada tahap training dataset data gambar yang telah dikumpulkan pada tahap pengumpulan data dan telah dilakukan preprosessing dengan cara merubah ukuran gambar menjadi 96 x 96, melakukan data augmentation, dan melakukan training dataset menggunakan metode CNN, adapun Arsitektur CNN dapat dilihat pada Gambar 3.

(3)

Gambar 3. Arsitektur CNN

Penjelasan pada Gambar 3 yang merupakan Arsitektur CNN, yang pertama Convolutional Layer adalah tahap yang menggabungkan filter linier dengan wilayah lokal. Bentuk lapisan ini adalah filter yang panjang (piksel), tinggi (piksel), dan lebar (piksel) ditentukan oleh masukan data gambar. Tahapan convolutional layer adalah menggeser filter pada gambar dengan menggunakan operasi “dot” untuk menghasilkan sebuah output yang bernama activation map[21]. Convolutional layer menggunakan perhitungan pada Persamaan (1).

C(i, j) = ∑ (L(m, n) ∗ K(m, n))_m (1)

C(i, j) merupakan piksel feature map ke i, j L(m, n) input piksel matriks yang diberi nilai nol.

K(m, n) piksel filter ke m dan n

Setelah proses konvolusi selesai langkah awal memasuki fully connected adalah tahap flatten. Tahap flatten akan memodifikasi neuron di lapisan konvolusional dari mana data satu dimensi dikonversi. Proses flatten dapat dilihat pada Gambar 4.

Gambar 4. Proses flatten

Setelah tahap flatten ialah tahap fully connected. Fully connected adalah sebuah lapisan dari neuron aktif yang terhubung dengan lapisan selanjutnya. Pada tahap fully connected akan menghasilkan nilai prediksi dari proses klasifikasi[11]. Tahap fullyconnected selesai maka proses training dataset ini mendapatkan file model yang nantinya akan import pada program yang ditanam pada ESP32-CAM.

2.3 Perancangan

Pada tahap perancangan ada dua tahap yaitu tahap perancangan alat dan tahap perancangan aplikasi berbasis web untuk pengaturan harga perkilo setiap jenis sayuran. Penjelasan tahapan perancangan alat dan tahapan perancangan aplikasi berbasis web adalah sebagai berikut.

2.3.1 Perancangan Alat

Pada tahap perancangan dimulai dari melakukan perancangan alat timbangan, komponen perangkat keras tersebut meliputi sensor loadcell dan modul HX771, ESP32-CAM, Liquid Crystal Display (LCD). Skema rancangan alat penelitian dapat dilihat pada Gambar 5.

Gambar 5. Skema rancangan alat penelitian

(4)

c. ESP32-CAM sebagai mikrokontroler yang akan memproses data masukan dari sensor, mengambil gambar serta melakukan klasifikasi.

Setelah melakukan perancangan alat timbangan, tidak lupa untuk memasukan program pada ESP32-CAM.

untuk diagram alir program yang diterapkan pada alat timbangan pintar ini dapat dilihat pada Gambar 6.

Gambar 6. Diagram alir program timbangan pintar

Tahapan pada Gambar 6 merupakan program yang akan diterapkan pada timbangan ini sebagai berikut.

a. Sistem dimulai dengan memuat model yang didapatkan pada hasil proses training dataset.

b. Setelah melakukan pemuatan model sistem akan mencoba menghubungkan wifi.

c. Sistem melakukan pemeriksaan status koneksi wifi.

d. Jika wifi belum terhubung maka sistem akan kembali mencoba untuk menghubungkan wifi, jika wifi terhubung maka sistem akan menuju tahap selanjutnya.

e. Sistem akan melakukan pembacaan nilai berat sayuran berupa satuan gram, yang mana nilai tersebut didapatkan dari load cell dan HX711.

f. Jika ada perubahan berat pada timbangan maka sistem akan menjalankan proses selanjutnya, jika tidak maka sistem akan kembali membaca nilai berat.

g. Sistem akan mengambil foto sayuran yang berada pada timbangan.

h. Sistem akan melakukan tahapan preprocessing yang mana tahapan itu berupa mengubah ukuran gambar yang didapatkan sebelumnya menjadi 96 x 96.

i. Gambar yang telah diolah pada tahap preprocessing, pada tahap ini sistem akan melakukan klasifikasi untuk mengetahui jenis sayuran.

j. Setelah sistem melakukan klasifikasi sistem akan melakukan pengambilan data harga perkilo dari jenis sayuran sesuai dengan hasil klasifikasi.

k. Ketika data perkilo sudah didapat, sistem akan melakukan proses perhitungan dengan cara harga perkilo yang didapat dibagi 1000 (seribu) karena pada dasarnya 1kg = 1000 gram, lalu melakukan perkalian dengan nilai berat yang didapat pada pembacaan nilai berat.

l. Data berat, hasil klasifikasi, dan total harga akan ditampilkan pada LCD berukuran 20x4.

2.3.2 Perancangan Aplikasi

Perancangan aplikasi ini merupakan tahap pembuatan aplikasi berbasis web, dimana aplikasi tersebut akan digunakan sebagai tempat untuk mengubah harga perkilo setiap jenis sayuran. Adapun activity diagram dari aplikasi tersebut dapat dilihat pada Gambar 7.

(5)

Gambar 7. Activity diagram aplikasi web

Penjelasan dari Gambar 7 yang berupakan activity diagram aplikasi web adalah sebagai berikut.

a. Dimulai dari user membuka web input.

b. Ketika user membuka web input maka sistem akan menampilkan halaman login.

c. Sistem akan memberikan tampilan halaman login yang berisikan username dan password.

d. Ketika sistem telah menampilkan halaman login, user melakukan melakukan login dengan mengisi form yang diberikan oleh sistem.

e. Sistem memvalidasi username dan password yang dimasukan oleh user.

f. Ketika login berhasil maka sistem akan mengambil data harga pada database.

g. Setelah sistem mengambil data harga sistem akan menampilkan semua data harga seperti nama sayuran dan harga perkilo.

h. Ketika data sudah tampil, user dapat menambahkan, menghapus, melakukan perubahan harga sayuran.

i. Sistem akan melakukan penyimpanan ke database ketika ada perintah penambahan, penghapusan, dan melakukan perubahan data sayuran.

2.4 Pengujian

Proses pengujian dilakukan setelah tahap pengumpulan data, training dataset, dan perancangan alat selesai.

Pengujian ini meliputi evaluasi Liquid Crystal Display (LCD) serta pengujian perangkat secara keseluruhan.

Eksperimen lengkap dilakukan sebanyak 30 kali dengan variasi varietas dan bobot sayuran. Pada pengujian keseluruhan peneliti menguji akurasi dari hasil klasifikasi dan selisih nilai berat pada timbangan yang telah dibuat dengan timbangan digital dengan merek SF-400. Perhitungan yang digunakan untuk mendapatkan selisih rata-rata dari total pengujian dapat dilihat pada Persamaan (2), dan perhitungan untuk mendapatkan nilai akurasi klasifikasi dapat dilihat pada Persamaan (3).

𝑠𝑒𝑙𝑖𝑠𝑖ℎ 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 =𝑠𝑒𝑙𝑖𝑠𝑖ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛

30 (2)

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟

30 𝑥 100% (3)

3. HASIL DAN PEMBAHASAN

Hasil dan pembahasan merupakan hasil dari tahapan yang telah dituangkan pada poin metode. Hasil pengumpulan data, hasil training dataset, hasil perancangan, dan hasil pengujian.

(6)

Data yang terdapat pada Gambar 8 diambil dengan cara memposisikan sayuran dengan secara acak dan jumlah yang berbeda serta diambil melalui ESP32-CAM.

3.2 Hasil Training Dataset

Hasil training merupakan hasil dari tahap training dataset, histori berisikan data nilai accuracy dan validation per- epoch pada saat proses training. Histori training pada dapat dilihat pada Gambar 9.

Gambar 9. Histori training dataset

Pada Gambar 9 training dilakukan dengan epoch sebanyak 40, epoch pertama training dengan mendapatkan nilai loss tertinggi dan training accuracy mendapatkan nilai terendah begitu pula dengan validation accuracy dan validation loss. Semakin banyak epoch semakin tinggi nilai training accuracy dan validation accuracy dan semakin rendahnya nilali trainining loss dan validation loss maka proses training ini dapat dikatakan bagus.

3.3 Hasil Perancangan

Hasil perancangan terdiri dari hasil perancangan alat dan perancangan aplikasi, untuk penjelasan lengkapnya dapat dilihat pada masing masing poin.

3.3.1 Hasil Perancangan Alat

Hasil dari perancangan alat timbangan pintar dapat dilihat pada Gambar 10.

(7)

Gambar 10. Hasil perancangan alat

Gambar 10 merupakan gambar hasil perancangan alat timbangan (a) merupakan bagian dalam alat, ESP32- CAM berada dibagian atas. dibagian bawah terdapat sensor load cell, modul HX711, dan LCD 20x4 atau dengan panjang 20 kata dan 4 baris kolom. (b) merupakan tampak luar timbangan pintar yang telah dibangun, tampak luar yang terlihat hanyalah ESP32-CAM dan LCD, tinggi dari alas timbangan ke ESP32-CAM adalah 25 cm.

3.3.2 Hasil Perancangan Aplikasi

Hasil perancangan aplikasi untuk halaman kelola barang, halaman ini mewajibkan user untuk login terlebih dahulu, ketika user berhasil memasukan username dan password yang benar maka user akan diarahkan kepada halaman kelola barang. Pada halaman kelola barang user dapat menambahkan, menghapus, dan melakukan perubahan detail sebuah barang. Untuk tampilan halaman kelola barang dapat dilihat pada Gambar 12.

Gambar 11. Tampilan aplikasi kelola harga

Pada Gambar 11 terlihat bahwa terdapat halaman kelola barang, yang berisikan seluruh data sayuran dan di sertai fitur tambah, edit, dan hapus data sayuran. dengan begitu perancangan website data harga sayuran berhasil dilakukan. Dengan berhasilnya perancangan aplikasi web kelola harga maka aplikasi dengan ESP32-CAM dapat berkomunikasi dengan menggunakan REST API.

3.4 Hasil Pengujian

Pengujian merupakan tahap terakhir dari penelitian ini, tahap pengujian dilakukan setelah tahap pengumpulan data, perancangan alat, perancangan aplikasi telah dilakukan. Pengujian pertama adalah pengujian LCD.

Dokumentasi pengujian dapat dilihat pada Gambar 12.

Gambar 12. Hasil pengujian LCD

Pada Gambar 13 terlihat output yang ditampilkan pada LCD sudah sesuai, yaitu berat sayuran, hasil dari proses klasifikasi, pengambilan harga perkilo pada aplikasi web, harga perkilo dan total perhitungan harga.

Pengujian dilakukan dengan cara meletakan sayuran diatas sensor load cell dengan tinggi ESP32-CAM ke alas timbangan adalah 25 cm.

(8)

Alat

Berat Alat (gram)

Berat Timbangan Digital (gram)

Keterangan Prediksi

Selisih berat (gram)

Wortel Wortel 67 68 Benar 1

Tomat Tomat 98 98 Benar 0

Tomat Kentang 111 111 Salah 0

Kubis Kubis 747 747 Benar 0

Kubis Wortel 517 517 Salah 0

Kubis Wortel 828 828 Salah 0

Kentang Kentang 374 373 Benar 1

Pada Tabel 1 selisih terbesar pada saat pengujian adalah 5gram, total selisih nilai berat pada 30 kali pengujian adalah 24 gram. Perbedaan rata-rata antara 30 percobaan akan ditentukan menggunakan persamaan (2).

Perhitungan dapat dilihat pada Persamaan (4).

𝑠𝑒𝑙𝑖𝑠𝑖ℎ 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 =²⁴

30= 0.8 (4)

Pada Persamaan (4) peneliti menghasilkan selisih rata-rata berat antara timbangan pintar yang dibangun dengan timbangan digital dengan merek SF-400 adalah sebesar 0.8 gram. Tingkat akurasi dari alat yang telah dibangun total jumlah yang benar sebanyak 27 dari total pengujian sebanyak 30 kali. Peneliti menggunakan Persamaan (3) untuk mendapatkan tingkat akurasi. Perhitungan dapat dilihat pada Persamaan (5).

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =²⁷

30 𝑥 100% = 90% (5)

Pada hasil perhitungan persamaan (5) peneliti mengetahui kinerja dari alat yang telah dibangun, alat mendapatkan akurasi sebesar 90% untuk proses klasifikasi jenis sayuran menggunakan metode CNN.

4. KESIMPULAN

Penelitian ini berhasil membangun timbangan pintar sayuran yang dapat menghitung total harga berdasarkan berat dan jenis sayuran, prototipe timbangan pintar terdiri dari ESP32-CAM sebagai mikrokontroler untuk proses komputasi pengambilan gambar dan proses klasifikasi. ESP32-CAM digunakan juga sebagai mikrokontroler untuk melakukan proses pengambilan nilai berat dari sensor load cell dan HX711, memberikan informasi nilai berat

(9)

sayuran, hasil klasifikasi, harga perkilo jenis sayuran, dan total harga melalui Liquid Crystal Display (LCD).

Penelitian ini dilengkapi dengan aplikasi berbasis web untuk melakukan perubahan harga perkilo jenis sayuran.

Hasil pengujian klasifikasi sebanyak 30 kali dengan 4 jenis sayuran (tomat, kubis, wortel, kentang) mendapatkan nilai akurasi 90%, selisih rata-rata antara timbangan pintar yang telah dibangun antara timbangan digital SF-400 sebesar 0.8 gram. Hasil akurasi dapat ditingkatkan dengan cara menambah jumlah dataset tetapi untuk melakukan komputasi training dataset membutuhkan waktu lebih lama, dan untuk selisih 0.8 gram disebabkan alas tidak bisa seimbang karena loadcell hanya menahan alas pada bagian tengah saja, saran dari penelitian ini untuk menempatkan loadcell pada masing-masing sudut alas timbangan (atas kanan dan kiri, bawah kanan dan kiri).

Hasil ini menunjukan bahwa timbangan pintar sayuran yang dibangun dengan sebuah mikrokontroler ESP32-CAM dan CNN dapat menjadi rekomendasi solusi untuk menggantikan Raspberry Pi 3 Model B yang digunakan untuk proses komputasi timbangan pintar yang dapat menghitung total harga berdasarkan jenis dan berat sayuran, sehingga untuk kebutuhan komponen membuat timbangan pintar menjadi relatif lebih murah.

REFERENCES

[1] A. M. Muslimin and T. Lestari, “Perancangan Alat Timbangan Digital Berbasis Arduino Leonardo Menggunakan Sensor Load Cell,” J. Nat., vol. 17, no. 1, pp. 50–63, 2021, doi: 10.30862/jn.v17i1.145.

[2] F. Femling, A. Olsson, and F. Alonso-Fernandez, “Fruit and Vegetable Identification Using Machine Learning for Retail Applications,” Proc. - 14th Int. Conf. Signal Image Technol. Internet Based Syst. SITIS 2018, pp. 9–15, 2018, doi:

10.1109/SITIS.2018.00013.

[3] F. Maulana, J. Indra, S. A. P. Lestari, and Universitas, “Penerapan Convolutional Neural Network pada Timbangan Pintar Sayuran Menggunakan Raspberry Pi,” vol. II, pp. 1–9, 2021.

[4] A. H. Bachtiar, P. P. Surya, and R. P. Astutik, “Rancang Bangun Dual Keamanan Sistem Pintu Rumah Menggunakan Pengenalan Wajah Dan Sidik Jari Berbasis Iot (Internet of Things),” J. POLEKTRO J. Power Elektron., vol. 1, no. 1, pp.

102–107, 2022.

[5] A. F. Saputra and C. Darujati, “Sistem Presensi Mahasiswa Berbasis Realtime Kamera Metode Klasifikasi Haar,” J. Tek.

Elektro dan Komput., vol. 9, no. 3, pp. 137–144, 2020.

[6] W. Ariansyah, D. N. Ilham, K. Khairuman, and R. A. Candra, “Opening Doors Using Internet Of Things (IoT) Based Face Recognition,” Brill. Res. Artif. Intell., vol. 1, no. 2, pp. 32–37, 2021, doi: 10.47709/brilliance.v1i2.1095.

[7] A. Prayogie et al., “Alat Pengukur Tinggi Dan Berat Badan Otomatis Menggunakan Sensor Ultrasonic Dan Loadcell Berbasis Internet Of Things,” vol. 06, no. 01, 2022.

[8] D. R. Maulana, T. Rohana, and Adi Rizky Pratama, “Alat Ukur Tinggi dan Berat Badan Berbasis Arduino Uno,” Acad.

J. Comput. Sci. Res., vol. 3, no. 1, pp. 191–196, 2021, doi: 10.38101/ajcsr.v3i1.328.

[9] A. Lioga Seandrio, A. Hendrianto Pratomo, and M. Y. Florestiyanto, “Implementation of Convolutional Neural Network (CNN) in Facial Expression Recognition Implementasi Convolutional Neural Network (CNN) Pada Pengenalan Ekspresi Wajah,” J. Inform. dan Teknol. Inf., vol. 18, no. 2, pp. 211–221, 2021, doi: 10.31515/telematika.v18i2.4823.

[10] V. Khotsianivskyi and M. Omelchenko, “Image Processing on Esp32 Microcontrollers Based on Mobilenet Convolutional Neural Network,” pp. 0–1, 2022, doi: 10.36074/logos-20.05.2022.048.

[11] R. A. Malik and E. Zuliarso, “Metode Convolutional Neural Network Untuk Mendeteksi Jenis Sayur Menggunakan Tensorflow,” Media Bina Ilmaih, vol. 15, no. 1978, pp. 5873–5882, 2021.

[12] Y. Bili, E. Purba, N. F. Saragih, A. P. Silalahi, and S. Sitepu, “Perancangan Alat Pendeteksi Kematangan Buah Nanas Dengan Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network ( CNN ),” vol. 2, no. 1, pp. 13–

21, 2022.

[13] E. I. Haksoro and A. Setiawan, “Pengenalan Jamur Yang Dapat Dikonsumsi Menggunakan Metode Transfer Learning Pada Convolutional Neural Network,” J. ELTIKOM, vol. 5, no. 2, pp. 81–91, 2021, doi: 10.31961/eltikom.v5i2.428.

[14] A. Gunawan, S. R. Riady, and I. Nawangsih, “Penerapan Timbangan Ikan Pintar dalam Meningkatkan Ekonomi UKM Masyarakat Pesisir Berbasis IoT,” J. Tekno Insentif, vol. 16, no. 1, pp. 69–78, 2022, doi: 10.36787/jti.v16i1.695.

[15] W. Indani and A. Wahyudi, “Timbangan Digital Buah Kelapa Sawit Berbasis Internet of Things ( IoT ),” J. Politek.

Caltex Riau, vol. 8, no. 2, 2022.

[16] C. Berliana and M. Hafiz Hersyah, “Rancang Bangun Timbangan Beras Digital Dengan Keluaran Tiga Jenis Beras Berbasis Mikrokontroler,” Chipset, vol. 3, no. 02, pp. 102–110, 2022, doi: 10.25077/chipset.3.02.102-110.2022.

[17] A. Nurfauzi, A. C. Ramadhan, and M. R. A. Cahyono, “RANCANG BANGUN ALAT PEMANTAU BERAT MENGGUNAKAN ANDROID BERBASIS MIKROKONTROLER,” vol. 4, pp. 1–10, 2022.

[18] Rusdiyanto, Zulfauzi, and A. Zulius, “Perancangan Timbangan Pencatat Hasil Panen Otomatis Menggunakan Mikrokontroler Berbasis Web Dan Database,” Jusikom J. Sist. Komput. Musirawas, vol. 4, no. 02, pp. 93–99, 2019, doi:

10.32767/jusikom.v4i2.635.

[19] P. N. Dacipta and R. E. Putra, “Sistem Klasifikasi Limbah Menggunakan Metode Convolutional Neural Network ( CNN ) Pada Web Service Berbasis Framework Flask,” vol. 03, pp. 394–402, 2022.

[20] U. S. Utara, “Pengembangan Model Protis Neural Network Untuk Prediksi dan Klasifikasi Data Timeseries dan Image,”

vol. 4, pp. 1–7, 2022.

[21] M. Sholawati, K. Auliasari, and F. X. Ariwibisono, “Pengembangan Aplikasi Pengenalan Bahasa Isyarat Abjad Sibi Menggunakan Metode Convolutional Neural Network (CNN),” vol. 6, no. 1, pp. 134–144, 2022.