Repositori Institusi · Akses Terbuka

Temukan karya ilmiah Universitas Kuningan dalam hitungan detik.

4.870 skripsi, tesis, dan publikasi terarsip rapi — cari berdasarkan judul, penulis, subjek, atau fakultas.

4.870item terarsip
6 fakultaspenyumbang koleksi
24 jamakses publik, gratis

Tentang Repositori

Repositori Universitas Kuningan merupakan layanan arsip online yang dikelola oleh perpustakaan Universitas Kuningan. Dengan menggunakan EPrints sebagai repositori, website ini didirikan untuk mengumpulkan, mengelola, menyimpan, melestarikan dan menyebarluaskan salinan digital hasil intelektual Universitas Kuningan. Tujuan utama dari repositori ini adalah untuk menyediakan dokumen jangka panjang, akses terbuka dan dengan mudah mengambil koleksi digital untuk mendukung proses belajar-mengajar. Dengan adanya repositori ini, diharapkan hasil karya warga kampus UNIKU dapat diakses secara luas.

Panduan Penggunaan

Baru pertama kali memakai RAMA? Unduh petunjuk unggah mandiri, atau baca panduan penggunaan lengkap di bawah ini.

Petunjuk Unggah Mandiri →

Bantuan EPrints →

Hakim, Moch Irfan Ridwanul (2025) IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI JENIS TANAMAN MANGGA BERDASARKAN CITRA DAUN. S1 / D3 thesis, Universitas Kuningan.

[thumbnail of ABSTRAK] Text (ABSTRAK)
ABSTRAK.pdf

Download (989kB)
[thumbnail of BAB I] Text (BAB I)
BAB I.pdf

Download (550kB)
[thumbnail of BAB II] Text (BAB II)
BAB II.pdf
Restricted to Repository staff only

Download (676kB) | Request a copy
[thumbnail of BAB III] Text (BAB III)
BAB III.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[thumbnail of BAB IV] Text (BAB IV)
BAB IV.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[thumbnail of BAB V] Text (BAB V)
BAB V.pdf

Download (220kB)
[thumbnail of DAFTAR PUSTAKA] Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf

Download (214kB)
[thumbnail of LAMPIRAN] Text (LAMPIRAN)
LAMPIRAN.pdf
Restricted to Repository staff only

Download (3MB) | Request a copy
Official URL: https://rama.uniku.ac.id/

Abstract

Klasifikasi jenis tanaman mangga berdasarkan citra daun merupakan langkah penting dalam membantu pemilik toko dan konsumen dalam mengenali varietas mangga secara cepat dan akurat. Permasalahan utama sering muncul adalah kesulitan dalam membedakan jenis mangga pada tahap pembibitan karena kemiripan daun antar varietas. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis tanaman mangga dengan menggunakan metode Convolutional Neural Network (CNN) dengan menggunakan arsitektur MobileNetV2. Dataset yang digunakan terdiri dari tiga kelas daun mangga yaitu Arumanis, Cengkir dan Lalijiwo dengan pembagian data sebesar 80% untuk pelatihan, 10% untuk validasi dan 10% untuk pengujian. Pelatihan model dilakukan menggunakan TensorFlow pada platform Jupyter NoteBook dengan optimizer Adam, batch size 32, learning rate 0.0001 dan epoch 50. Model yang dilatih kemudian dikonversi ke format TensorFlow Lite dan diimplementasikan pada aplikasi Android berbasis Kotlin. Hasil penngujian menunjukan akurasi data uji sebesar 90%, dengan nilai kepuasan pengguna berdasarkan User Acceptance Test (UAT) sebesar 90,8% yang dikategorikan sangat layak.

The classification of mango plant species based on leaf images plays a vital role in helping nursery owners and consumers identify mango varieties quickly and accurately. However, the main challenge lies in distinguishing mango varieties at the seedling stage due to the morphological similarities of their leaves. This study aims to develop a mango plant classification system using the Convolutional Neural Network (CNN) method with the MobileNetV2 architecture. The dataset used consists of three classes of mango leaves Arumanis, Cengkir, and Lalijiwo divided into 80% training data, 10% validation data, and 10% testing data. Model training was conducted using TensorFlow on the Jupyter Notebook platform with the Adam optimizer, a batch size of 32, a learning rate of 0.0001, and 50 epochs. The trained model was then converted into TensorFlow Lite format and implemented in an Android application developed using Kotlin. The testing results showed an accuracy of 90% on test data, while the User Acceptance Test (UAT) achieved a user satisfaction score of 90.8%, categorized as highly feasible. Overall, the developed system demonstrates the potential to facilitate accurate and efficient identification of mango varieties through mobile-based image classification.

Item Type: Thesis (S1 / D3)
Uncontrolled Keywords: Convolutional Neural Network (CNN), MobileNetV2, TensorFlow Lite, Android, Tanaman Mangga, Mango Plant.
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Ilmu Komputer > S1 Teknik Informatika
Depositing User: S.Kom Moch Irfan Ridwanul Hakim
Date Deposited: 24 Jun 2026 06:43
Last Modified: 24 Jun 2026 06:43
URI: https://rama.uniku.ac.id/id/eprint/5368

Actions (login required)

View Item
View Item