Identifikasi Jenis Jenis Buah Berdasarkan Gambar Menggunakan Faster R-CNN

Abstract

Penelitian ini memperkenalkan penerapan metode Faster R-CNN untuk melakukan klasifikasi berbagai jenis buah. Penggunaan teknologi visi komputer semakin berkembang dalam mengidentifikasi dan mengklasifikasikan objek-objek kompleks dalam gambar, termasuk buah-buahan. Metode yang diusulkan memanfaatkan keunggulan dari Faster R-CNN, sebuah pendekatan deteksi objek yang menggabungkan deteksi dan klasifikasi menjadi satu proses yang lebih cepat.Dataset yang digunakan dalam penelitian ini berisi kumpulan gambar berbagai jenis buah, yang dikumpulkan dari sumber-sumber publik. Proses pelatihan model melibatkan langkah-langkah penting seperti ekstraksi fitur, pemilihan region proposal, dan klasifikasi menggunakan jaringan saraf konvolusional (CNN). Selain itu, penggunaan teknik transfer learning membantu dalam meningkatkan kinerja model, terutama ketika data latih terbatas.Hasil percobaan menunjukkan bahwa metode Faster R-CNN berhasil mengklasifikasikan berbagai jenis buah dengan tingkat akurasi yang signifikan. Model yang dihasilkan mampu mengidentifikasi buah-buahan dengan tingkat keberhasilan yang tinggi, bahkan pada gambar-gambar yang kompleks atau dalam kondisi pencahayaan yang berbeda. Evaluasi dilakukan dengan menggunakan metrik-metrik seperti akurasi, presisi, dan recall, yang menunjukkan kehandalan model dalam mengenali berbagai jenis buah.Penelitian ini membuktikan potensi dan kehandalan metode Faster R-CNN dalam melakukan klasifikasi jenis buah dari gambar. Dengan perkembangan lebih lanjut dan optimasi, teknik ini dapat diperluas untuk aplikasi yang lebih luas dalam bidang pertanian, pengolahan makanan, dan industri yang membutuhkan identifikasi buah secara otomatis.Penelitian ini memperkenalkan penerapan metode Faster R-CNN untuk melakukan klasifikasi berbagai jenis buah. Penggunaan teknologi visi komputer semakin berkembang dalam mengidentifikasi dan mengklasifikasikan objek-objek kompleks dalam gambar, termasuk buah-buahan. Metode yang diusulkan memanfaatkan keunggulan dari Faster R-CNN, sebuah pendekatan deteksi objek yang menggabungkan deteksi dan klasifikasi menjadi satu proses yang lebih cepat.Dataset yang digunakan dalam penelitian ini berisi kumpulan gambar berbagai jenis buah, yang dikumpulkan dari sumber-sumber publik. Proses pelatihan model melibatkan langkah-langkah penting seperti ekstraksi fitur, pemilihan region proposal, dan klasifikasi menggunakan jaringan saraf konvolusional (CNN). Selain itu, penggunaan teknik transfer learning membantu dalam meningkatkan kinerja model, terutama ketika data latih terbatas.Hasil percobaan menunjukkan bahwa metode Faster R-CNN berhasil mengklasifikasikan berbagai jenis buah dengan tingkat akurasi yang signifikan. Model yang dihasilkan mampu mengidentifikasi buah-buahan dengan tingkat keberhasilan yang tinggi, bahkan pada gambar-gambar yang kompleks atau dalam kondisi pencahayaan yang berbeda. Evaluasi dilakukan dengan menggunakan metrik-metrik seperti akurasi, presisi, dan recall, yang menunjukkan kehandalan model dalam mengenali berbagai jenis buah.Penelitian ini membuktikan potensi dan kehandalan metode Faster R-CNN dalam melakukan klasifikasi jenis buah dari gambar. Dengan perkembangan lebih lanjut dan optimasi, teknik ini dapat diperluas untuk aplikasi yang lebih luas dalam bidang pertanian, pengolahan makanan, dan industri yang membutuhkan identifikasi buah secara otomatis.