Identifikasi Objek Fragile dan Non-Fragile untuk Pengelompokan Secara Otomatis Menggunakan CNN

Authors

    Charles Jason( 1 ) Rino( 2 ) Edy Edy( 3 )

    (1) Universitas Buddhi Dharma
    (2) University of Buddhi Dharma
    (3) Universitas Buddhi Dharma

DOI:


https://doi.org/10.32877/bt.v7i2.1778

Keywords:


Bidang Pengiriman, InceptionV3, Klasifikasi Gambar, Machine Learning, Metode SDLC

Abstract

Pada masa perkembangan teknologi ini, penggunaan marketplace dalam transaksi jual beli semakin pesat di Indonesia, permasalahan yang muncul pada kegiatan jual beli secara online ini adalah adanya pihak ketiga diantara pembeli dan penjual, yaitu bidang pengiriman. Disaat pembeli membeli barang melalui marketplace, penjual harus mengirim barang tersebut sebelum dapat dengan langsung diterima oleh pembeli, seperti halnya transaksi jual beli tradisional. Hal ini membuat timbulnya resiko kerusakan barang pada saat pengiriman akibat kelalaian pada pihak pengirim disaat mengelompokan barang fragile dan non-fragile. Dari masalah modern ini, dibutuhkan solusi modern yang dapat mengelompokan barang fragile dan non-fragile secara otomatis, penelitian ini menawarkan solusi terhadap masalah tersebut melalui implementasi model CNN dengan arsitektur InceptionV3. Arsitektur ini memiliki keunggulan dalam meminimalkan jumlah operasi dan tetap mempertahankan akurasi tinggi. penelitian ini bertujuan untuk menghindari potensi skenario kerusakan selama proses pengiriman, dengan cara mendeteksi sebelum pengiriman barang yang akan dikirim, apakah barang tersebut termasuk kedalam kategori fragile atau non-fragile. Penelitian ini menggunakan dataset visual berupa gambar objek yang tersedia secara online dalam pembuatan model, dan menggunakan metode SDLC pada perancangan website untuk memastikan sistem yang dibangun dapat memiliki kualitas tinggi serta sesuai dengan tujuan utamanya. Hasil penelitian berupa sistem yang dapat melakukan klasifikasi objek fragile dan non-fragile secara otomatis melalui gambar dengan akurasi rata-rata 90%. Dengan akurasi tersebut, hasil dari penelitian ini diharapkan dapat menjadi solusi alternatif pada pengelompokan barang di bidang pengiriman. Penelitian ini juga membuka penelitian kedepannya untuk dapat mengoptimasi model dan menambah model arsitektur yang digunakan, guna memberikan hasil klasifikasi yang lebih akurat.

Downloads

Download data is not yet available.

References

S. Park, Y. Xu, L. Jiang, Z. Chen, and S. Huang, “Spatial structures of tourism destinations: A trajectory data mining approach leveraging mobile big data,” Ann. Tour. Res., vol. 84, no. January, p. 102973, 2020, doi: 10.1016/j.annals.2020.102973.

S. Somadi, B. S. Priambodo, and P. R. Okarini, “Evaluasi Kerusakan Barang dalam Proses Pengiriman dengan Menggunakan Metode Seven Tools,” J. INTECH Tek. Ind. Univ. Serang Raya, vol. 6, no. 1, pp. 1–11, 2020, doi: 10.30656/intech.v6i1.2008.

T. Wahyudi, “Pengembangan Aplikasi Berbasis Web dan Android Sebagai Penunjang Kerja di Indonesia: Systematic Literature Review,” Indones. J. Comput. Sci., vol. 1, no. 2, pp. 96–102, 2022, doi: 10.31294/ijcs.v1i2.1428.

Wijoyo A, Saputra A, Ristanti S, Sya’ban S, Amalia M, and Febriansyah R, “Pembelajaran Machine Learning,” OKTAL (Jurnal Ilmu Komput. dan Sci., vol. 3, no. 2, pp. 375–380, 2024, [Online]. Available: https://journal.mediapublikasi.id/index.php/oktal/article/view/2305

R. G. Wardhana, G. Wang, and F. Sibuea, “Penerapan Machine Learning Dalam Prediksi Tingkat Kasus Penyakit Di Indonesia,” J. Inf. Syst. Manag., vol. 5, no. 1, pp. 40–45, 2023, doi: 10.24076/joism.2023v5i1.1136.

A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.

U. UNGKAWA and G. AL HAKIM, “Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 11, no. 3, p. 731, 2023, doi: 10.26760/elkomika.v11i3.731.

M. A. I. Mahmood, N. Aktar, and M. F. Kader, “A hybrid approach for diagnosing diabetic retinopathy from fundus image exploiting deep features,” Heliyon, vol. 9, no. 9, Sep. 2023, doi: 10.1016/j.heliyon.2023.e19625.

M. Neshat, M. Ahmed, H. Askari, M. Thilakaratne, and S. Mirjalili, “Hybrid Inception Architecture with Residual Connection: Fine-tuned Inception-ResNet Deep Learning Model for Lung Inflammation Diagnosis from Chest Radiographs,” in Procedia Computer Science, 2024, vol. 235, pp. 1841–1850. doi: 10.1016/j.procs.2024.04.175.

F. Masruroh, B. Surarso, B. Warsito, and P. Korespondensi, “PERBANDINGAN KINERJA INCEPTION-RESNETV2, XCEPTION, INCEPTION-V3, DAN RESNET50 PADA GAMBAR BENTUK WAJAH PERFORMANCE COMPARISON OF INCEPTION-RESNETV2, XCEPTION, INCEPTION-V3, AND RESNET50 ON FACE SHAPE IMAGES,” vol. 10, no. 1, pp. 11–20, 2023, doi: 10.25126/jtiik.2023104941.

A. Andrew and H. Santoso, “Compare VGG19, ResNet50, Inception-V3 for Review Food Rating,” SinkrOn, vol. 7, no. 2, pp. 845–494, Apr. 2022, doi: 10.33395/sinkron.v7i2.11383.

N. Aini and D. Y. Liliana, “Prediksi Gender Berdasarkan Citra Mata Menggunakan Metode Convolutional Neural Network, Inception dan MobileNet,” Bul. Poltanesa, vol. 23, no. 1, Jun. 2022, doi: 10.51967/tanesa.v23i1.1272.

P. Nugraha, A. Komarudin, E. Ramadhan, U. Jenderal, A. Yani, and C. Jl, “DETEKSI OBJEK DAN JENIS BURUNG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR INCEPTION RESNET-V2”, doi: 10.31949/infotech.v8I2.2889.

A. Supriyanto, W. A. Kusuma, and H. Rahmawan, “Klasifikasi Kanker Tumor Payudara Menggunakan Arsitektur Inception-V3 Dan Algoritma Machine Learning,” J. Al-AZHAR Indones. SERI SAINS DAN Teknol., vol. 7, no. 3, p. 187, Sep. 2022, doi: 10.36722/sst.v7i3.1284.

B. S. Nagara, D. Oetari, Z. Apriliani, and T. Sutabri, “Penerapan Metode SDLC (System Development Life Cycle) Waterfall Pada Perancangan Aplikasi Belanja Online Berbasis Android Pada CV Widi Agro,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 6, no. 2, pp. 1202–1210, 2023, doi: 10.31539/intecoms.v6i2.8244.

M. M. Lucini, P. J. Van Leeuwen, and M. Pulido, “Model error estimation using the expectation maximization algorithm and a particle flow filter,” SIAM-ASA J. Uncertain. Quantif., vol. 9, no. 2, pp. 681–707, 2021, doi: 10.1137/19M1297300.

Z. Ariza, “Perancangan Sistem Informasi Penilaian Angka Kredit Kenaikan Jabatan Fungsional Atau Pangkat Dosen di Fakultas Tarbiyah Dan Ilmu Keguruan UIN Bukittinggi,” J. Inf. Syst. Educ. Dev., vol. 2, no. 1, pp. 13–19, 2024, doi: 10.62386/jised.v2i1.50.

M. M. Banin, “Perancangan Sistem Informasi Untuk Mengontrol Sistem Pembelian, Persediaan Dan Penjualan Dengan Menggunakan Metode System Development Life Cycle (SDLC),” Integr. J. Ilm. Tek. Ind., vol. 6, no. 2, p. 89, 2021, doi: 10.32502/js.v6i2.3994.

F. Rahmat Halim et al., “Rancang Bangun Sistem Informasi Pengumuman Kelulusan Siswa Berbasis Web Menggunakan Metode Agile Web-Based Student Graduation Announcement Information System Design Using the Agile Method,” J. Test. dan Implementasi Sist. Inf., vol. 1, no. 2, pp. 67-81, 2023.

N. Nilma, “Penerapan Model Software Development Life Cycle Pada Rancang Bangun Sistem Payroll Perusahaan,” J. Publ. Tek. Inform., vol. 1, no. 2, pp. 61-69, 2022, doi: 10.55606/jupti.v1i2.334.

F. N. Ramadha, E. D. Wahyuni, and D. D. Vannes, “SDLC Big Bang dan Waterfall: Perbandingan Pendekatan dalam Pengembangan Perangkat Lunak,” Nuansa Inform., vol. 18, no. 2, pp. 41-45, 2024, doi: 10.25134/ilkom.v18i2.158.

Downloads

Published

2024-12-27

How to Cite

[1]
C. Jason, Rino, and E. Edy, “Identifikasi Objek Fragile dan Non-Fragile untuk Pengelompokan Secara Otomatis Menggunakan CNN”, bit-Tech, vol. 7, no. 2, pp. 314–32, Dec. 2024.

Issue

Vol. 7 No. 2 (2024): bit-Tech

Section

Articles

License

Copyright (c) 2024 bit-Tech

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

I hereby assign and transfer to bit-Tech all exclusive copyright ownership rights to the above work. This includes, but is not limited to, the right to publish, republish, downgrade, distribute, transmit, sell, or use the work and other related materials worldwide, in whole, or in part, in all languages, in electronic, printed, or any other form of media, now known or hereafter developed and reserves the right to permit or license a third party to do any of the above. I understand that this exclusive right will belong to bit-Tech from the date the article is accepted for publication. I also understand that bit-Tech, as the copyright owner, has sole authority to license and permit reproduction of the article. I understand that, except for copyright, any other proprietary rights associated with the work (e.g. patents or other rights to any process or procedure) must be retained by the author. In addition, I understand that bit-Tech permits authors to use their papers in any way permitted by the applied Creative Commons license.

DOI : https://doi.org/10.32877/bt.v7i2.1778
Abstract views: 20 / PDF downloads: 7