BAB 5 KESIMPULAN DAN SARAN
5.2 Saran
Berdasarkan hasil yang diperoleh dari penelitian ini, saran yang diperlukan untuk perbaikan sistem maupun untuk penelitian selanjutnya adalah sebagai berikut :
1. Memperbanyak data sehingga sistem dapat berkembang tidak hanya untuk tomat dan cabai saja.
2. Algoritma bisa lebih ditingkatkan lagi jika data diperbanyak.
[Halaman ini sengaja dikosongkan]
DAFTAR PUSTAKA
[1] M. S. Hossain, M. Al-Hammadi, and G. Muhammad, “Automatic Fruit Classification Using Deep Learning for Industrial Applications,” IEEE Trans. Ind. Informatics, vol. 15, no. 2, pp. 1027–1034, Feb. 2019.
[2] S. Bargoti and J. Underwood, “Deep fruit detection in orchards,” in 2017 IEEE International Conference on Robotics and Automation (ICRA), 2017, pp. 3626–3633.
[3] S. Marimuthu and S. M. M. Roomi, “Particle Swarm Optimized Fuzzy Model for the Classification of Banana Ripeness,” IEEE Sens. J., vol. 17, no. 15, pp. 4903–4915, Aug. 2017.
[4] L. Zhang, J. Jia, G. Gui, X. Hao, W. Gao, and M. Wang, “Deep Learning Based Improved Classification System for Designing Tomato Harvesting Robot,” IEEE Access, vol. 6, pp. 67940–67950, 2018.
[5] W. M. Syahrir, A. Suryanti, and C. Connsynn, “Color grading in Tomato Maturity Estimator using image processing technique,” in 2009 2nd IEEE International Conference on Computer Science and Information
Technology, 2009, pp. 276–280.
[6] D. Ireri, E. Belal, C. Okinda, N. Makange, and C. Ji, “A computer vision system for defect discrimination and grading in tomatoes using machine learning and image processing,” Artif. Intell. Agric., vol. 2, pp. 28–37, Jun.
2019.
[7] V. Pavithra, R. Pounroja, and B. S. Bama, “Machine vision based automatic sorting of cherry tomatoes,” in 2015 2nd International
Conference on Electronics and Communication Systems (ICECS), 2015, pp. 271–275.
[8] Y. Gejima, Houguo Zhang, and M. Nagata, “Judgment on level of maturity for tomato quality using L*a*b* color image processing,” in Proceedings 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003), vol. 2, pp. 1355–1359.
ripeness estimation – An approach based on automatic rule learning using decision tree,” Appl. Soft Comput., vol. 36, pp. 45–56, Nov. 2015.
[10] Y. Zhang, S. Wang, G. Ji, and P. Phillips, “Fruit classification using computer vision and feedforward neural network,” J. Food Eng., vol. 143, pp. 167–177, Dec. 2014.
[11] G. Ciocca, P. Napoletano, and R. Schettini, “CNN-based features for retrieval and classification of food images,” Comput. Vis. Image Underst., vol. 176–177, pp. 70–77, Nov. 2018.
[12] S. Mezgec and B. K. Seljak, “Nutrinet: A deep learning food and drink image recognition system for dietary assessment,” Nutrients, vol. 9, no. 7, pp. 1–19, 2017.
[13] E. Bjorlykhaug and O. Egeland, “Vision System for Quality Assessment of Robotic Cleaning of Fish Processing Plants Using CNN,” IEEE Access, vol. 7, pp. 71675–71685, 2019.
[14] L. Taylor and G. Nitschke, “Improving Deep Learning with Generic Data Augmentation,” in 2018 IEEE Symposium Series on Computational Intelligence (SSCI), 2018, pp. 1542–1547.
[15] S. Liu and W. Deng, “Very deep convolutional neural network based image classification using small training sample size,” in 2015 3rd IAPR Asian Conference on Pattern Recognition (ACPR), 2015, pp. 730–734.
[16] A. K. Rangarajan, R. Purushothaman, and A. Ramesh, “Tomato crop disease classification using pre-trained deep learning algorithm,” Procedia Comput. Sci., vol. 133, pp. 1040–1047, Jan. 2018.
[17] B. Jiang et al., “Fusion of machine vision technology and AlexNet-CNNs deep learning network for the detection of postharvest apple pesticide residues,” Artif. Intell. Agric., vol. 1, pp. 1–8, Mar. 2019.
[18] A. Unnikrishnan, V. Sowmya, and K. P. Soman, “Deep alexnet with reduced number of trainable parameters for satellite image classification,”
in Procedia Computer Science, 2018, vol. 143, pp. 931–938.
[19] X. Zhang, Y. Qiao, F. Meng, C. Fan, and M. Zhang, “Identification of Maize Leaf Diseases Using Improved Deep Convolutional Neural
[20] N. Sharma, V. Jain, and A. Mishra, “An Analysis Of Convolutional Neural Networks For Image Classification,” Procedia Comput. Sci., vol. 132, pp.
377–384, Jan. 2018.
[21] S. Deepak and P. M. Ameer, “Brain tumor classification using deep CNN features via transfer learning,” Comput. Biol. Med., vol. 111, p. 103345, Aug. 2019.
[22] R. Wang, J. Xu, and T. X. Han, “Object instance detection with pruned Alexnet and extended training data,” Signal Process. Image Commun., vol.
70, no. October 2018, pp. 145–156, 2019.
[23] G. Amato, F. Carrara, F. Falchi, C. Gennaro, C. Meghini, and C. Vairo,
“Deep learning for decentralized parking lot occupancy detection,” Expert Syst. Appl., vol. 72, pp. 327–334, 2017.
[24] S. Liu et al., “Matching-CNN meets KNN: Quasi-parametric human parsing,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 07-12-June, pp. 1419–1427, 2015.
[25] I. A. Sabilla, C. S. Wahyuni, C. Fatichah, and D. Herumurti, “Determining banana types and ripeness from image using machine learning methods,”
Proceeding - 2019 Int. Conf. Artif. Intell. Inf. Technol. ICAIIT 2019, pp.
407–412, 2019.
[26] S. Yelmanov and Y. Romanyshyn, “Image Contrast Enhancement Using a Modified Histogram Equalization,” in 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP), 2018, pp. 568–
573.
[27] S. A. B. Ahmad, M. N. Taib, N. E. A. Khalid, and H. Taib, “Variations of Adaptive Histogram Equalization (AHE) analysis on intra-oral dental radiograph,” in 2015 IEEE 6th Control and System Graduate Research Colloquium (ICSGRC), 2015, pp. 87–92.
[28] K. Murata, M. Mito, D. Eguchi, Y. Mori, and M. Toyonaga, “A Single Filter CNN Performance for Basic Shape Classification,” in 2018 9th International Conference on Awareness Science and Technology (iCAST), 2018, pp. 139–143.
Performance Accuracies With Min-Max Objective,” IEEE Trans. Neural Networks Learn. Syst., pp. 1–14, 2017.
[30] T. Chen, S. Lu, and J. Fan, “S-CNN: Subcategory-Aware Convolutional Networks for Object Detection,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 40, no. 10, pp. 2522–2528, Oct. 2018.
[31] Z. Guo, Q. Chen, G. Wu, Y. Xu, R. Shibasaki, and X. Shao, “Village Building Identification Based on Ensemble Convolutional Neural Networks,” Sensors, vol. 17, no. 11, p. 2487, Oct. 2017.
[32] C. Szegedy et al., “Going deeper with convolutions,” in 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, pp. 1–9.
[33] C. Dong, B. Zhou, and J. Hu, “A hierarchical SVM based multiclass classification by using similarity clustering,” Proc. Int. Jt. Conf. Neural Networks, vol. 2015-Septe, pp. 1–6, 2015.
[34] F. F. Chamasemani, “Multi-class Support Vector Machine ( SVM ) classifiers – An Application in Hypothyroid detection and Classification,”
2011 Sixth Int. Conf. Bio-Inspired Comput. Theor. Appl., pp. 351–356, 2011.
LAMPIRAN
Lampiran 1
Metode proposed method dengan modifikasi KNN untuk hasil training akurasi 1 dengan waktu 0,0207171 detik dan untuk hasil akurasi testing 0,925532 dengan waktu komputasi 0,0199194 detik. Metode ini menghasilkan sensitifity dan specificity 0,979087 dan 0,998462.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 2
Metode proposed method dengan modifikasi LinearDiscriminantAnalysis (LDA) untuk hasil training akurasi 1 dengan waktu 0,00112104 detik dan untuk hasil akurasi testing 0,957447dengan waktu komputasi 0, 000810385 detik. Metode ini menghasilkan sensitifity dan specificity 0,956696dan 0,997092.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 3
Percobaan 1 GoogleNet
Metode arsitektur Googlenet dengan modifikasi LDA untuk hasil training akurasi 0.62212 dengan waktu 3.26956 detik dan untuk hasil akurasi testing 0.702128 dengan waktu komputasi 0.0315995 detik. Metode ini menghasilkan sensitifity dan specificity 0.628833 dan 0.976199.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 4
Percobaan 1 GoogleNet
Metode arsitektur Googlenet dengan modifikasi RF untuk hasil training akurasi 1 dengan waktu 0.109769 detik dan untuk hasil akurasi testing 0.925532 dengan waktu komputasi 0.081444 detik. Metode ini menghasilkan sensitifity dan specificity 0.970014 dan 0.99848.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 5
Percobaan 1 GoogleNet
Metode arsitektur Googlenet dengan modifikasi KNN untuk hasil training akurasi 1 dengan waktu 1.09536 detik dan untuk hasil akurasi testing 0.957447 dengan waktu komputasi 1.39777 detik. Metode ini menghasilkan sensitifity dan specificity 0.983718 dan 0.999132.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 6
Percobaan 1 GoogleNet
Metode arsitektur Googlenet dengan modifikasi SVM untuk hasil training akurasi 0.110599 dengan waktu 2.61238 detik dan untuk hasil akurasi testing 0.106383 dengan waktu komputasi 1.1323 detik. Metode ini menghasilkan sensitifity dan specificity 0.0625 dan 0.9375.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
Lampiran 7
Percobaan 2 GoogleNet
Metode arsitektur Googlenet dengan modifikasi RF untuk hasil training akurasi 1 dengan waktu 0.059315 detik dan untuk hasil akurasi testing 0.882979 dengan waktu komputasi 0.0426157 detik. Metode ini menghasilkan sensitifity dan specificity 0.952739 dan 0.997596.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 8
Percobaan 2 GoogleNet
Metode arsitektur Googlenet dengan modifikasi LDA untuk hasil training akurasi 0.580645 dengan waktu 3.20326 detik dan untuk hasil akurasi testing 0.680851 dengan waktu komputasi 0.0212572 detik. Metode ini menghasilkan sensitifity dan specificity 0.586741 dan 0.973858.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 9
Percobaan 2 GoogleNet
Metode arsitektur Googlenet dengan modifikasi KNN untuk hasil training akurasi 1 dengan waktu 1.08429 detik dan untuk hasil akurasi testing 0.893617 dengan waktu komputasi 1.37868 detik. Metode ini menghasilkan sensitifity dan specificity 0.965548 dan 0.997864.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 10
Percobaan 2 GoogleNet
Metode arsitektur Googlenet dengan modifikasi SVM untuk hasil training akurasi 0.110599 dengan waktu 4.9422 detik dan untuk hasil akurasi testing 0.106383 dengan waktu komputasi 1.12979 detik. Metode ini menghasilkan sensitifity dan specificity 0.0625 dan 0.9375.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 11
Percobaan 3 GoogleNet
Metode arsitektur Googlenet dengan modifikasi RF untuk hasil training akurasi 1 dengan waktu 0.0822473 detik dan untuk hasil akurasi testing 0.893617 dengan waktu komputasi 0.0713 detik. Metode ini menghasilkan sensitifity dan specificity 0.964628 dan 0.997827.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
Lampiran 12
Percobaan 3 GoogleNet
Metode arsitektur Googlenet dengan modifikasi LDA untuk hasil training akurasi 1 dengan waktu 0.0872238 detik dan untuk hasil akurasi testing 0.893617 dengan waktu komputasi 0.0012424 detik. Metode ini menghasilkan sensitifity dan specificity 0.968323 dan 0.997792.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 13
Percobaan 3 GoogleNet
Metode arsitektur Googlenet dengan modifikasi KNN untuk hasil training akurasi 1 dengan waktu 0.0221374 detik dan untuk hasil akurasi testing 0.914894 dengan waktu komputasi 0.0263784 detik. Metode ini menghasilkan sensitifity dan specificity 0.972336 dan 0.998266.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 14
Percobaan 3 GoogleNet
Metode arsitektur Googlenet dengan modifikasi SVM untuk hasil training akurasi 1 dengan waktu 0.0734158 detik dan untuk hasil akurasi testing 0.893617 dengan waktu komputasi 0.0184648 detik. Metode ini menghasilkan sensitifity dan specificity 0.965432 dan 0.997835.
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 15
Percobaan 1 Alexnet
Metode arsitektur Alexnet dengan modifikasi RF untuk hasil training akurasi 1 dengan waktu 0,0207171 detik dan untuk hasil akurasi testing 0,925532 dengan waktu komputasi 0,0199194 detik. Metode ini menghasilkan sensitifity dan specificity 0,979087 dan 0,998462
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 16
Percobaan 1 Alexnet
Metode arsitektur Alexnet dengan modifikasi LDA untuk hasil training akurasi 1 dengan waktu 0,0207171 detik dan untuk hasil akurasi testing 0,925532 dengan waktu komputasi 0,0199194 detik. Metode ini menghasilkan sensitifity dan specificity 0,979087 dan 0,998462
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 17
Percobaan 1 Alexnet
Metode arsitektur Alexnet dengan modifikasi KNN untuk hasil training akurasi 1 dengan waktu 0,0207171 detik dan untuk hasil akurasi testing 0,925532 dengan waktu komputasi 0,0199194 detik. Metode ini menghasilkan sensitifity dan specificity 0,979087 dan 0,998462
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 18
Percobaan 1 Alexnet
Metode arsitektur Alexnet dengan modifikasi SVM untuk hasil training akurasi 0,995392 dengan waktu 0,084317 detik dan untuk hasil akurasi testing 0,765957 dengan waktu komputasi 0,0362451 detik. Metode ini menghasilkan sensitifity dan specificity 0,922042dan 0,995065
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 19
Percobaan 2 Alexnet
Metode arsitektur Alexnet dengan modifikasi RF untuk hasil training akurasi 1 dengan waktu 0,00500727 detik dan untuk hasil akurasi testing 0,723404 dengan waktu komputasi 0,00435996 detik. Metode ini menghasilkan sensitifity dan specificity 0,91617 dan 0,994444
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 20
Percobaan 2 Alexnet
Metode arsitektur Alexnet dengan modifikasi LDA untuk hasil training akurasi 1 dengan waktu 0,207993 detik dan untuk hasil akurasi testing 0,712766 dengan waktu komputasi 0 00148702 detik. Metode ini menghasilkan sensitifity dan specificity 0,908766 dan 0994203
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 21
Percobaan 2 Alexnet
Metode arsitektur Alexnet dengan modifikasi KNN untuk hasil training akurasi 1 dengan waktu 0,0862708 detik dan untuk hasil akurasi testing 0,734043 dengan waktu komputasi 0,0525212 detik. Metode ini menghasilkan sensitifity dan specificity 0,913196 dan 0,994628
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 22
Percobaan 2 Alexnet
Metode arsitektur Alexnet dengan modifikasi SVM untuk hasil training akurasi 1 dengan waktu 0,111005 detik dan untuk hasil akurasi testing 0,765957 dengan waktu komputasi 0 0482106 detik. Metode ini menghasilkan sensitifity dan specificity 092926 dan 0,919372
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
Lampiran 23
Percobaan 3 Alexnet
Metode arsitektur Alexnet dengan modifikasi RF untuk hasil training akurasi 1 dengan waktu 0,0823815 detik dan untuk hasil akurasi testing 0,723404 dengan waktu komputasi 0,0685356 detik. Metode ini menghasilkan sensitifity dan specificity 0,910478 dan 0994417
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
Lampiran 24
Percobaan 3 Alexnet
Metode arsitektur Alexnet dengan modifikasi LDA untuk hasil training akurasi 1 dengan waktu 0,223633 detik dan untuk hasil akurasi testing 0,680851 dengan waktu komputasi 0,00148177 detik. Metode ini menghasilkan sensitifity dan specificity 0,901676 dan 0,99352
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk
8 tomat cherry tidak segar 16 cabai busuk
Lampiran 25
Percobaan 3 Alexnet
Metode arsitektur Alexnet dengan modifikasi KNN untuk hasil training akurasi 1 dengan waktu 0,141543 detik dan untuk hasil akurasi testing 0,734043 dengan waktu komputasi 0,0760875 detik. Metode ini menghasilkan sensitifity dan specificity 0,916169 dan 0,994639
Keterangan Label
Keterangan Kelas Keterangan Label
Keterangan Kelas 1 Cabai hijau tidak segar 9 cabai rawit segar 2 cabai merah tidak segar 10 tomat cherry segar 3 cabai rawit tidak segar 11 tomat hijau tidak segar
4 cabai hijau segar 12 tomat hijau segar
5 cabai keriting tidak segar 13 tomat buah segar 6 cabai merah segar 14 tomat buah tidak segar 7 cabai keriting segar 15 tomat busuk