Electronic Theses and Dissertation

Biji lada normal dan rusak merupakan dua kategori biji lada yang sering ditemukan dalam proses pengolahan biji lada. Penyortiran biji lada merupakan tugas penting untuk memastikan kualitas biji lada yang dihasilkan. Namun, penyortiran biji lada secara manual oleh petani masih memerlukan waktu yang lama dan seringkali menimbulkan kesulitan dalam memilih lada yang baik. Penelitian ini bertujuan untuk merancang sebuah model deep learning yang dapat mengklasifikasikan biji lada normal dan biji lada yang rusak secara akurat. Dalam penelitian ini, empat
arsitektur deep learning yang digunakan, yaitu ResNet-50, VGG-16, EfficientNet-B1, dan YOLO v5 (dalam variasi yaitu YOLO v5s, YOLO v5m, YOLO v5l, dan YOLO v5x) dievaluasi berdasarkan akurasi, recall, dan presisi. Hasil pengujian menunjukkan bahwa semua model deep learning yang dievaluasi memiliki performa yang sangat baik dalam mengklasifikasikan biji lada normal dan biji lada rusak. Keseluruhan model memiliki tingkat akurasi yang tinggi dengan nilai di atas 0.975, menunjukkan kemampuan model untuk memberikan hasil klasifikasi yang benar. Selain itu, model-model tersebut juga memiliki tingkat recall yang tinggi, yaitu di atas 0.96, menunjukkan kemampuan model dalam mendeteksi biji lada
rusak dengan baik. Hal ini berarti model-model tersebut memiliki tingkat keberhasilan yang tinggi dalam mengidentifikasi biji lada yang mengalami kerusakan atau cacat. Selanjutnya, model-model deep learning yang dievaluasi juga memiliki nilai presisi yang sangat baik, yaitu 1. Nilai ini menunjukkan bahwa model-model tersebut memberikan hasil klasifikasi yang tepat untuk biji lada normal dan biji lada rusak tanpa banyak menghasilkan kesalahan.

Keyword: Biji Lada, Convolutional Neural Network, Deep Learning

Normal and damaged pepper seeds are two categories of pepper seeds commonly found in the pepper seed processing. Sorting pepper seeds is an important task to ensure the quality of the resulting pepper seeds. However, manual sorting of pepper seeds by farmers is time-consuming and often poses difficulties in selecting good pepper seeds. This research aims to design a deep learning model that can accurately classify normal and damaged pepper seeds. Four deep learning models are used in this study, namely ResNet-50, VGG-16, EfficientNet-B1, and YOLO v5 (invariations such as YOLO v5s, YOLO v5m, YOLO v5l, and YOLO v5x) and evaluated based on accuracy, recall, and precision. The test results show that all evaluated deep learning models perform very well in classifying normal and damaged pepper seeds. Overall, the models have high accuracy levels with values above 0.975, indicating the models' ability to provide correct classification results. Additionally, the models also exhibit high recall rates, above 0.96, demonstrating their ability to detect damaged pepper seeds effectively. This means that the models have a high success rate in identifying pepper seeds that are damaged or defective. Furthermore, the evaluated deep learning models also have excellent precision values, namely 1. This indicates that the models provide accurate classification results for both normal and damaged pepper seeds with minimal errors. Keywords: Pepper Seeds, Convolutional Neural Network, Deep Learning