Aplikasi Pendeteksian Objek Buah-Buahan yang Memiliki Kemiripan Menggunakan Algoritma Faster R-CNN Berbasis Android

Abstract

Object detection is one of the important things for making autonomous robot system. In this research, the author will build a system that can identify and detect fruit objects that have physical similarities that are applied on Android. This system can help to identify and detect fruits in fruit sorting. In this research the object to be detected is an image of apples, pears, grapes, blueberries, lychees, and rambutans. The reason for the selection of this fruit is because of the physical resemblance of the fruit, as apples with pears, grapes with blueberries and rambutans with lychees. This research is expected to simplify the fruit sorting process and reduce errors in sorting due to the similarity of the fruit and can be developed by adding robots so that the sorting system becomes automatic. This research was using 1147 images used as testing and training data and achieved 95,98% accuracy in testing using android.

Pendeteksian objek merupakan salah satu hal yang penting dalam pengotomatisan sistem. Dalam skripsi ini penulis membangun suatu sistem yang dapat mengidentifikasi dan mendeteksi objek buah-buahan yang memiliki kemiripan fisik yang diterapkan pada android. Sistem ini dapat membantu untuk pengidentifikasian dan pendeteksian buah-buahan yang ada untuk mempermudah proses penyortiran buah. Pada penelitian ini objek yang akan dideteksi adalah image dari buah apel, pir, anggur, blueberry, leci, dan rambutan. Alasan pemilihan dari buah ini adalah karena adanya kemiripan fisik pada buah yaitu buah apel dengan buah pir, buah anggur dengan blueberry dan juga buah rambutan dengan buah leci. Penelitian ini diharapkan akan mempermudah proses penyortiran buah dan mengurangi kesalahan dalam penyortiran akibat kemiripan buah dan dapat dikembangkan dengan penambahan robot agar sistem penyortiran menjadi otomatis. Pada penelitian ini menggunakan 1147 data yang digunakan sebagai data testing dan training dan mencapai akurasi 95,98% dalam pengujian program.