Artificial Intelligence (AI) Fruit Detection for Nutrition Information - using Convolutional Neural Network

Aziz Assuja, Maulana and Saniati, Saniati and Nurhasanah, Yeni (2019) Artificial Intelligence (AI) Fruit Detection for Nutrition Information - using Convolutional Neural Network. Universitas Teknokrat Indonesia, Universitas Teknokrat Indonesia.

Text (Laporan Penelitian Eksternal) Laporan Penelitian PTJJ Seamolec 2019 - AI Fruit Detection for Nutrition Information using CNN.pdf - Other Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Perkembangan iptek di masa Revolusi Industri 4.0 mengalami kemajuan yang semakin pesat dengan hadirnya bidang kecerdasan buatan (artificial intelligence). Teknologi yang cerdas meningkatkan kemudahan dalam berbagai bidang untuk memfasilitasi kehidupan manusia seperti bidang robotika, internet of things, auto system, sistem pendukung keputusan, path finding dan lainnya. Kemudahan ini tentunya memiliki dampak yang beragam, misal kemudahan dalam mencari, memesan dan mendapatkan makanan, akan menjadi berbahaya jika tidak diimbangi dengan pola hidup sehat. Kemampuan dalam mengetahui nutrisi yang dikandung dalam makanan yang dikonsumsi juga perlu ditunjang oleh teknologi. Deteksi makanan dan informasi tentang kandungan nutrisi menjadi penting untuk diwujudkan dalam aplikasi berbasis artificial intelligence yang diusulkan pada penelitian ini. Deteksi makanan untuk informasi nutrisi, khususnya buah pada riset ini, menggunakan algoritma Convolutional Neural Network (CNN). CNN merupakan algoritma deep learning yang merupakan salah satu teknik machine learning pada artificial intelligence. CNN yang diterapkan menggunakan arsitektur YOLO versi 3 yang terbukti sangat cepat dalam menyelesaikan masalah deteksi objek citra. Pada penelitian ini, deteksi dilakukan untuk 5 class target yaitu Apel, Anggur, Pear, Jeruk dan Pisang. Pada fase training, citra yang digunakan sebanyak 5638 data, dengan arsitektur jaringan YOLO versi 3 dan ditambahkan GPU untuk akselerasi proses training. Dari model yang dihasilkan lalu dilanjutkan dengan fase testing dengan data closed domain. Hasil deteksi pada tahap testing menunjukkan akurasi rata-rata deteksi sebesar 97.46%.

Item Type:	Other
Subjects:	INFORMATIKA
Divisions:	Fakultas Teknik dan Ilmu Komputer > S1 Informatika
Depositing User:	Asep Haikal Kurniawan S.IP., M.A
Date Deposited:	06 Dec 2021 03:18
Last Modified:	03 Apr 2023 09:01
URI:	http://repository.teknokrat.ac.id/id/eprint/3102

Actions (login required)

View Item