UPT Perpustakaan Universitas Handayani

Jl. Adhyaksa Baru No. 1 Lantai 5

  • Beranda
  • Informasi
  • Berita
  • Statistik Koleksi
  • Bantuan
  • Pustakawan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Image of Deteksi Status Waktu Panen Tanaman Kacang Tanah Menggunakan Citra Digital Dengan Algoritma Convolutional Neural Network

Text

Deteksi Status Waktu Panen Tanaman Kacang Tanah Menggunakan Citra Digital Dengan Algoritma Convolutional Neural Network

Rindiani Pepsi - Nama Orang;

Penelitian ini bertujuan untuk mengembangkan aplikasi citra digital berbasis Android yang mampu mendeteksi status waktu panen tanaman kacang tanah guna membantu petani dalam mengidentifikasi kondisi tanaman secara cepat dan akurat. Sistem ini diharapkan dapat meningkatkan efisiensi proses budidaya serta mendukung pengambilan keputusan panen sehingga kualitas hasil panen kacang tanah dapat terjaga. Metode yang digunakan dalam penelitian ini melibatkan pemanfaatan algoritma Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Dataset yang digunakan terdiri dari 510 citra digital kacang tanah yang diklasifikasikan ke dalam tiga kategori status panen yaitu Belom Siap Panen, Siap Panen, dan Terlambat Panen. Data dibagi menjadi 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Hasil pengujian menunjukkan bahwa model CNN dengan arsitektur ResNet50 mampu mengklasifikasikan status panen kacang tanah dengan akurasi keseluruhan sebesar 90%, dengan nilai rata-rata precision sebesar 0.91, recall sebesar 0.89, dan F1-score sebesar 0.89. Nilai Area Under Curve (AUC) pada kurva ROC untuk
setiap kelas berada pada rentang 0.98 hingga 1.00, sedangkan hasil pengujian 5Fold Cross Validation menghasilkan rata-rata akurasi sekitar 43%. Hasil ini membuktikan bahwa metode CNN–ResNet50 efektif untuk deteksi status panen kacang tanah.


Ketersediaan
S250314SRK-2025 RIN dPerpustakaan Universitas Handayani MakassarTersedia
Informasi Detail
Judul Seri
-
No. Panggil
SRK-2025 RIN d
Penerbit
Universitas Handayani Makassar : Universitas Handayani Makassar., 2025
Deskripsi Fisik
ii + 157 hlm; 29 x 21 cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
SRK-2025 RIN d
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
Ed. 1, Cet. 1
Subjek
android
CNN
Kacang Tanah
ResNet50
Deteksi Status Waktu Panen
Info Detail Spesifik
Skripsi Teknik Informatika
Pernyataan Tanggungjawab
Rindiani Pepsi
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
Komentar

Anda harus login sebelum memberikan komentar

UPT Perpustakaan Universitas Handayani
  • Informasi
  • Perpanjang Mandiri
  • Pustakawan
  • Area Anggota

Tentang Kami

Perpustakaan STMIK HANDAYANI terbentuk bersamaan dengan berdirinya STMIK HANDAYANI pada tahun 1996 sebagai sarana pen-dukung utama dalam penyelenggaraan pen-didikan dan pengajaran. Read more...

Cari

masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

Donasi untuk SLiMS Kontribusi untuk SLiMS?

© 2026 — Customized by Vinesia

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik