KLASIFIKASI TINTA CATRIDGE BERDASARKAN WARNA PADA GUDANG BARANG MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK

Aji Nurrohman, Berliyanto Berliyanto, Leni Asrar, Sigit WIbisono, Wibisono Wibisono, Suryadarma Suryadarma, Triyono Budi Santoso

Sari


Penggunaan printer dan tinta cartridge untuk mencetak data dalam bentuk teks ataupun gambar masih sering digunakan. Printer yang sering digunakan akan membuat tinta cartridge cepat habis, biasanya pengguna printer akan memesan kepada toko melalui aplikasi e-commerce. Toko akan mengirimkan melalui gudang barang, namun seringkali terjadi kesalahan barang antara yang dipesan dan diterima user. Hal ini dapat mempengaruhi kepuasan user, oleh karena itu penting bagi toko dalam melakukan cek manual terhadap barang yang yang akan dikirim. Untuk mengatasi masalah tersebut, dibuatlah sebuah model machine learning menggunakan Python dan Convolutional neural network yang dapat mengklasifikasikan citra hasil tangkapan kamera ponsel fokus pada penelitian ini mengklasifikasikan citra tinta cartridge HP 680 black color dan tri color. Dimulai dengan mengumpulkan dataset yang sudah ada berdasarkan pengalaman penulis yang pernah bekerja sebagai checker pada gudang barang. Kemudian langkah preprocessing agar citra siap untuk diinputkan kedalam model, lalu membuat arsitektur model dan melakukan pelatihan. Di akhir penelitian akan dilakukan evaluasi untuk melihat akurasi dari prediksi pada citra data test.


Teks Lengkap:

PDF

Referensi


Awaludin, M., & Rahwanto, Y. Z. (2017). Pengembangan Algoritma Neural Network Berdasarkan Rentang. 10(2).

I. Cholissodin and A. A. Soebroto, “AI , MACHINE LEARNING & DEEP LEARNING ( Teori & Implementasi ),” no. January, 2021.

E. Hermawan, “Klasifikasi Pengenalan Wajah Menggunakan Masker atau Tidak Dengan Mengimplementasikan Metode CNN ( Convolutional Neural Network ),” J. Ind. Kreat. Dan Inform., vol. 1, pp. 33–43, 2021.

A. Antoni, T. Rohana, and A. R. Pratama, “Implementasi Algoritma Convolutional Neural Network Untuk Klasifikasi Citra Kemasan Kardus Defect dan No Defect,” Build. Informatics, Technol. Sci., vol. 4, no. 4, pp. 1941–1950, 2023, doi: 10.47065/bits.v4i4.3270.

I. Cholissodin and A. A. Soebroto, “AI , MACHINE LEARNING & DEEP LEARNING ( Teori & Implementasi ),” no. January, 2021.

B. Mahesh, “Machine Learning Algorithms - A Review,” no. October, 2020, doi: 10.21275/ART20203995.

N. Jain and R. Kumar, “A Review on Machine Learning & It ’ s Algorithms,” no. December, 2022, doi: 10.35940/ijsce.E3583.1112522.

S. Yuliany, Aradea, and Andi Nur Rachman, “Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN),” J. Buana Inform., vol. 13, no. 1, pp. 54–65, 2022, doi: 10.24002/jbi.v13i1.5022.

Y. B. E. Purba, N. F. Saragih, A. P. Silalahi, and ..., “Perancangan Alat Pendeteksi Kematangan Buah Nanas Dengan Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network (CNN),” J. Ilm. Tek. …, vol. 2, no. 1, pp. 13–21, 2022, [Online]. Available: https://ojs.fikom-methodist.net/index.php/methotika/article/view/43%0Ahttps://ojs.fikom-methodist.net/index.php/methotika/article/download/43/39

[M. B. Bejiga, A. Zeggada, A. Nouffidj, and F. Melgani, “A convolutional neural network approach for assisting avalanche search and rescue operations with UAV imagery,” Remote Sens., vol. 9, no. 2, 2017, doi: 10.3390/rs9020100.

T. Zhi, L. Y. Duan, Y. Wang, and T. Huang, “Two-stage pooling of deep convolutional features for image retrieval,” Proc. - Int. Conf. Image Process. ICIP, vol. 2016-Augus, pp. 2465–2469, 2016, doi: 10.1109/ICIP.2016.7532802.

F. Loekman, “Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network Inventory Management System with Automatic Recognition of Goods Using the Convolutional Neural Network Method,” vol. 12, no. 1, pp. 47–56, 2023, doi: 10.34148/teknika.v12i1.596.




DOI: https://doi.org/10.35968/jsi.v12i1.1336

Refbacks

  • Saat ini tidak ada refbacks.


Indexed by: