Peningkatan Akurasi Model Deep learning Dalam Klasifikasi Kematangan Buah Kelapa Berbasis Sinyal Akustik
Bilah Samping Artikel
Read Counter : 159
Download : 147
Isi Artikel Utama
Abstrak
Pada masa sekarang, perkembangan teknologi pemrosesan sinyal, sistem cerdas lanjutan dan pembelajaran deep learning telah menjadi hal yang umum digunakan dalam teknologi agrikultur. Salah satu komoditas agrikultur yang banyak terdapat di dunia adalah buah kelapa. Sayangnya penerapan teknologi agrikultur pasca panen sangat minim di pertanian kelapa. Selama ini para petani menentukan maturity buah kelapa dengan mendengar suara ketukan buah kelapa sehingga memerlukan banyak waktu untuk memeriksa tingkat maturity. Dalam jurnal ini akan membahas peningkatan akurasi model deep learning dalam kalasifikasi buah kelapa berbasis sinyal akustik. Untuk uji coba klasifikasi tingkat maturity buah kelapa ini menggunakan metode deep learning yang terdiri dari Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM).serta menggunakan dataset open access terdiri dari sampel yang digunakan sebesar 129 kelapa dengan tiga level klasifikasi - premature, mature dan overmature (Caladcad, 2023). Dalam tulisan ini mengusulkan peningkatan arsitektur model deep learning dengan parameter learning rate 0.0001, epoch 500, Batch-Normalization dan Dropout 0,3 dengan hasil dari uji klasifikasi sinyal akustik buah kelapa memiliki akurasi data testing sebesar 98,36% dan F1 Score sebesar 99%. Hasil ujicoba ini lebih baik dibandingkan ujicoba terdahulu (Caladcad, 2024) dengan hasil akurasi 97,42% dan F1 Score 97,20%. serta menunjukkan bahwa peningkatan metode kombinasi deep learning menghasilkan sistem klasifikasi kematangan kelapa yang lebih andal, dan bebas bias kelas
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Referensi
June Anne Caladcad, Shiela Cabahug, Mary Rose Catamco, Paul Elyson Villaceran, Leizel Cosgafa, Karl Norbert Cabizares, Marfe Hermosilla, 2020. Determining philippine coconut maturity level using machine learning algorithms based on acoustic signal. Computers and electronics in agriculture, 172:105327, 2020.
Salsabila, A., Oktavia, A., Dewi, F. M., Purwani, Y., Arsy, F. S., Albar, R., Priyanti, P., Khairiah, A., & Des, M. (2022). Nilai manfaat ekonomi tanaman kelapa (Cocos nucifera L.) di Pasar Tradisional Kemiri Muka di Kota Depok, Jawa Barat. Prosiding SEMNAS BIO 2022, Universitas Islam Negeri (UIN) Syarif Hidayatullah Jakarta, 242–251.
Terdwongworakul, A., Chaiyapong, S., Jarimopas, B., & Meeklangsaen, W. (2009). Physical properties of fresh young Thai coconut for maturity sorting. Biosystems Engineering, 103(2), 208–216.
J. A. Caladcad, E. Piedad, 2024.Deep learning classification system for coconut maturity levels based on acoustic signals, 2024 IEEE 12th Region 10 Humanitarian Technology Conference (R10-HTC), Kuala Lumpur, Malaysia, 2024, doi: 10.1109/R10-HTC59322.2024.10778826.
Jurafsky, D., & Martin, J. H. (2023). Speech and language processing (3rd ed., draft). Retrieved from https://web.stanford.edu/~jurafsky/slp3/
Gatchalian, M.M., De Leon, S.Y., Yano, T., 1994. Measurement of Young Coconut (Cocos nucifera, L.) Maturity by Sound Waves. Journal of Food Eng. 23, 253–276.
June Anne Caladcad., 2023. Acoustic dataset of coconut (cocosnucifera) based on tapping system. Data in Brief, 47:108936, 2023.
Tuan-Tang Le, Chyi-Yeu Lin, 2019. Deep learning for noninvasive classification of clustered horticultural crops–a case for banana fruit tiers. Postharvest Biology and Technology, 156:110922, 2019.
Abdelali Belkhou, Atman Jbari, Othmane El Badlaoui, 2021. A computer-aided-diagnosis system for neuromuscular diseases using mel frequency cepstral coefficients. Scientific African, 13: e00904.
J. Salamon and J. P. Bello,2017. Deep Convolutional Neural Networks and Data Augmentation for Environmental Sound Classification, in IEEE Signal Processing Letters, vol. 24, no. 3, pp. 279-283, March 2017, doi: 10.1109/LSP.2017.2657381.
Jielong Ni, Zao Tang, Jia Liu, Pingliang Zeng, Chimeddorj Baldorj, 2023. A topology identification method based on one-dimensional convolutional neural network for distribution network. Energy Reports, 9:355–362, 2023.
Thomas Fischer, Christopher Krauss, 2018. Deep learning with long short-term memory networks for financial market predictions. European journal of operational research, 270 :654–669, 2018.