Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hampir separuh dunia bergantung pada makanan yang berasal dari laut sebagai sumber protein utama. Di Pasifik Barat dan Tengah 60% dari ikan tuna ditangkap secara illegal, tidak dilaporkan, dan tidak diatur dengan regulasi dapat mengancam ekosistem laut, pasokan ikan global, dan mata pencaharian lokal. Salah satu solusi yang dapat dilakukan adalah dengan menggunakan kamera keamanan untuk menangkap gambar aktivitas kapal. Pada penelitian ini akan dibuat sistem untuk mengklasifikasi jenis ikan yang ditangkap dari gambar kamera keamanan kapal tersebut. Sistem ini menggunakan model transfer learning yang sudah dilakukan fine tuning dan dilatih menggunakan dataset yang disediakan oleh The Nature Conservancy. Dari penelitian ini didapatkan performa terbaik dengan akurasi 98.19% menggunakan model EfficientNetV2L dan optimizer Stochastic Gradient Descent (SGD) dengan learning rate 1e-4, momentum 0.9, weight decay 1e-6, dan split ratio training testing 80/20. Dengan sistem ini pengolahan data untuk menghitung jumlah penangkapan ikan berdasarkan spesies akan lebih efisien.......Almost half of the world depends on food that comes from the sea as the main source of protein. In the West and Central Pacific 60% of tuna fish are caught illegally, unreported and unregulated, threatening marine ecosystems, global fish supplies and local livelihoods. One possible solution is to use a security camera to capture images of ship activity. In this study a system will be created to classify the types of fish caught from the ship's security camera images. This system uses a transfer learning model that has been fine tuned and trained using the dataset provided by The Nature Conservancy. From this study, the best performance was obtained with an accuracy of 98.19% using the EfficientNetV2L model and the Stochastic Gradient Descent (SGD) optimizer with a learning rate of 1e-4, momentum of 0.9, weight decay of 1e-6, and split ratio training testing of 80/20. With this system, data processing to calculate the amount of fish caught by species will be more efficient."

"Sebagai negara yang memproduksi dan mengkonsumsi beras dalam jumlah besar, instrumen untuk mengidentifikasi kualitas mutu dan varietas cukup dibutuhkan di Indonesia. Varietas dan kualitas dari suatu beras sangat mempengaruhi harga jual beras tersebut. Sulitnya proses identifikasi varietas dan kualitas dapat menimbulkan kecurangan dalam proses jual beli. Salah satu metode yang cukup modern untuk melakukan identifikasi adalah menggunakan pencitraan hiperspektral yang digabungkan dengan pembelajaran mesin. Pada penelitian ini dibuat sebuah sistem klasifikasi multi-output untuk mengidentifikasi varietas dan kualitas beras secara bersamaan. Sistem ini menerima citra hiperspektral dengan 224 band pada rentang 400-1000 nm. Bagian tengah citra akan disegmentasi dan dijadikan input model klasifikasi. Keluaran dari model ini berupa hasil prediksi varietas dan kualitas mutu dari sampel beras tersebut. Sistem dibuat untuk mengklasifikasikan 8 varietas beras, yaitu pandan wangi, IR64, IR42, rojolele, menthik wangi, menthik susu, C4 dan ciherang serta 2 buah kualitas yaitu premium dan medium. Model klasifikasi dibuat dengan menggunakan 3 buah arsitektur yang berbeda. Sistem dengan arsitektur InceptionV3 menghasilkan akurasi validasi sebesar 97.57% dan 91.30%. Sistem dengan arsitektur Xception menghasilkan akurasi validasi sebesar 95.83% dan 86.74%. Sistem dengan arsitektur HybridSN menghasilkan akurasi validasi terbaik yaitu sebesar 99.39% dan 97.09%. Berdasarkan hasil akurasi tersebut terlihat bahwa sistem klasifikasi multi-output CNN dapat bekerja dengan cukup baik.......As a country that produces and consumes large amounts of rice, instruments to identify quality and varieties are quite needed in Indonesia. The variety and quality of a rice greatly affects the selling price of the rice. The difficulty of the process to identifying varieties and qualities can lead to fraud in the buying and selling process. One fairly modern method of performing identification is to use hyperspectral imaging combined with machine learning. In this study, a multi-output classification system was created to identify the variety and quality of rice simultaneously. The system receives hyperspectral image with 224 bands in the range of 400- 1000 nm. The middle part of the image will be segmented and inputted into the classification model. The output of this model is in the form of predictions of varieties and quality of the rice sample. The system was made to classify 8 varieties of rice, namely pandan wangi, IR64, IR42, rojolele, menthik wangi, menthik susu, C4, ciherang and 2 class of quality, namely premium and medium. The system was made using 3 different architectures. Systems with the InceptionV3 produce validation accuracy of 97.57% and 91.30%. Systems with the Xception resulted in validation accuracy of 95.83% and 86.74%. Systems with HybridSN architecture produce the best validation accuracy of 99.39% and 97.09%. From the results of such accuracy, it can be seen that the multi-output classification system can work quite well."