Cover Image

Vision Transformer untuk Klasifikasi Kematangan Pisang

Main Authors: Pangestu, Arya, Purnama, Bedy, Risnandar, Risnandar
Format: Article info application/pdf eJournal
Bahasa: eng
Terbitan: Fakultas Ilmu Komputer, Universitas Brawijaya , 2024
Subjects:
klasifikasi
kematangan pisang
computer vision
vision transformer
pre-trained model
cross-dataset evaluation
Online Access: http://jtiik.ub.ac.id/index.php/jtiik/article/view/7389
http://jtiik.ub.ac.id/index.php/jtiik/article/view/7389/1258
ctrlnum article-7389
fullrecord <?xml version="1.0"?> <dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><title lang="en">Vision Transformer untuk Klasifikasi Kematangan Pisang</title><title lang="id">Vision Transformer untuk Klasifikasi Kematangan Pisang</title><creator lang="id">Pangestu, Arya</creator><creator lang="id">Purnama, Bedy</creator><creator lang="id">Risnandar, Risnandar</creator><subject lang="en">klasifikasi</subject><subject lang="en">kematangan pisang</subject><subject lang="en">computer vision</subject><subject lang="en">vision transformer</subject><subject lang="en">pre-trained model</subject><subject lang="en">cross-dataset evaluation</subject><description lang="en">Produksi pisang di Indonesia pada tahun 2022 mencapai 9,6 juta ton buah. Metode konvensional yang digunakan untuk menentukan tingkat kematangan pisang masih mengandalkan indera penglihatan manusia dengan memperhatikan perubahan warna kulit pisang. Namun, penentuan tingkat kematangan pisang dengan metode ini memiliki beberapa kekurangan, seperti waktu yang lama, penilaian yang bersifat subjektif dan dapat menghasilkan hasil yang berbeda-beda bagi setiap individu. Oleh karena itu, teknologi computer vision dapat menjadi solusi yang efektif dalam mengklasifikasikan kematangan buah pisang secara otomatis. Penelitian ini menggunakan metodologi Vision Transformer (ViT) untuk mengklasifikasikan tingkat kematangan pada buah pisang, dengan tingkatan yang dibagi menjadi empat kategori, yaitu mentah, setengah matang, matang, dan terlalu matang. Penelitian dilakukan dengan menggunakan lima model ViT yang sudah dilatih sebelumnya atau pre-trained, yaitu ViT-B/16, ViT-B/32, ViT-L/16, ViT-L/32, and ViT-H/14 pada ImageNet-21k dan ImageNet-1k. Kemudian, model ViT tersebut dievaluasi dan dibandingkan dengan model CNN. Evaluasi dilakukan menggunakan metode cross-dataset dengan 5.068 citra pisang yang berbeda dari dataset latih. Hasil evaluasi menunjukkan model ViTL/16-in21k memiliki akurasi tertinggi sebesar 91,61%. Model ViT menunjukkan kemampuan generalisasi yang lebih baik, sementara CNN memiliki ukuran model dan waktu pelatihan yang lebih efisien.</description><description lang="id">Produksi pisang di Indonesia pada tahun 2022 mencapai 9,6 juta ton buah. Metode konvensional yang digunakan untuk menentukan tingkat kematangan pisang masih mengandalkan indera penglihatan manusia dengan memperhatikan perubahan warna kulit pisang. Namun, penentuan tingkat kematangan pisang dengan metode ini memiliki beberapa kekurangan, seperti waktu yang lama, penilaian yang bersifat subjektif dan dapat menghasilkan hasil yang berbeda-beda bagi setiap individu. Oleh karena itu, teknologi computer vision dapat menjadi solusi yang efektif dalam mengklasifikasikan kematangan buah pisang secara otomatis. Penelitian ini menggunakan metodologi Vision Transformer (ViT) untuk mengklasifikasikan tingkat kematangan pada buah pisang, dengan tingkatan yang dibagi menjadi empat kategori, yaitu mentah, setengah matang, matang, dan terlalu matang. Penelitian dilakukan dengan menggunakan lima model ViT yang sudah dilatih sebelumnya atau pre-trained, yaitu ViT-B/16, ViT-B/32, ViT-L/16, ViT-L/32, and ViT-H/14 pada ImageNet-21k dan ImageNet-1k. Kemudian, model ViT tersebut dievaluasi dan dibandingkan dengan model CNN. Evaluasi dilakukan menggunakan metode cross-dataset dengan 5.068 citra pisang yang berbeda dari dataset latih. Hasil evaluasi menunjukkan model ViTL/16-in21k memiliki akurasi tertinggi sebesar 91,61%. Model ViT menunjukkan kemampuan generalisasi yang lebih baik, sementara CNN memiliki ukuran model dan waktu pelatihan yang lebih efisien.</description><publisher lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</publisher><date>2024-02-29</date><type>Journal:Article</type><type>Other:info:eu-repo/semantics/publishedVersion</type><type>File:application/pdf</type><identifier>http://jtiik.ub.ac.id/index.php/jtiik/article/view/7389</identifier><identifier>10.25126/jtiik.20241117389</identifier><source lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 11 No 1: Februari 2024; 75-84</source><source lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 11 No 1: Februari 2024; 75-84</source><source>2528-6579</source><source>2355-7699</source><source>10.25126/jtiik.2024111</source><language>eng</language><relation>http://jtiik.ub.ac.id/index.php/jtiik/article/view/7389/1258</relation><rights lang="en">Hak Cipta (c) 2024 Jurnal Teknologi Informasi dan Ilmu Komputer</rights><rights lang="en">https://creativecommons.org/licenses/by-sa/4.0</rights><recordID>article-7389</recordID></dc>
language eng
format Journal:Article
Journal
Other:info:eu-repo/semantics/publishedVersion
Other
File:application/pdf
File
Journal:eJournal
author Pangestu, Arya
Purnama, Bedy
Risnandar, Risnandar
title Vision Transformer untuk Klasifikasi Kematangan Pisang
publisher Fakultas Ilmu Komputer, Universitas Brawijaya
publishDate 2024
isbn 20241117389
topic klasifikasi
kematangan pisang
computer vision
vision transformer
pre-trained model
cross-dataset evaluation
url http://jtiik.ub.ac.id/index.php/jtiik/article/view/7389
http://jtiik.ub.ac.id/index.php/jtiik/article/view/7389/1258
contents Produksi pisang di Indonesia pada tahun 2022 mencapai 9,6 juta ton buah. Metode konvensional yang digunakan untuk menentukan tingkat kematangan pisang masih mengandalkan indera penglihatan manusia dengan memperhatikan perubahan warna kulit pisang. Namun, penentuan tingkat kematangan pisang dengan metode ini memiliki beberapa kekurangan, seperti waktu yang lama, penilaian yang bersifat subjektif dan dapat menghasilkan hasil yang berbeda-beda bagi setiap individu. Oleh karena itu, teknologi computer vision dapat menjadi solusi yang efektif dalam mengklasifikasikan kematangan buah pisang secara otomatis. Penelitian ini menggunakan metodologi Vision Transformer (ViT) untuk mengklasifikasikan tingkat kematangan pada buah pisang, dengan tingkatan yang dibagi menjadi empat kategori, yaitu mentah, setengah matang, matang, dan terlalu matang. Penelitian dilakukan dengan menggunakan lima model ViT yang sudah dilatih sebelumnya atau pre-trained, yaitu ViT-B/16, ViT-B/32, ViT-L/16, ViT-L/32, and ViT-H/14 pada ImageNet-21k dan ImageNet-1k. Kemudian, model ViT tersebut dievaluasi dan dibandingkan dengan model CNN. Evaluasi dilakukan menggunakan metode cross-dataset dengan 5.068 citra pisang yang berbeda dari dataset latih. Hasil evaluasi menunjukkan model ViTL/16-in21k memiliki akurasi tertinggi sebesar 91,61%. Model ViT menunjukkan kemampuan generalisasi yang lebih baik, sementara CNN memiliki ukuran model dan waktu pelatihan yang lebih efisien.
id IOS577.article-7389
institution Universitas Brawijaya
institution_id 30
institution_type library:university
library
library Perpustakaan Universitas Brawijaya
library_id 480
collection Jurnal Teknologi Informasi dan Ilmu Komputer
repository_id 577
subject_area Program Komputer dan Teknologi Informasi
city MALANG
province JAWA TIMUR
repoId IOS577
first_indexed 2024-06-02T20:42:55Z
last_indexed 2024-06-02T20:42:55Z
recordtype dc
_version_ 1800783733768323072
score 17.538404

Lihat Juga