Identifikasi Persediaan Makanan di dalam Lemari Pendingin Berbasis Raspberry Pi dan Deep Learning
Abstract
Sistem ini dibuat atas dasar permasalahan yang terjadi dalam kehidupan sehari-hari, salah satunya yaitu tidak terpantaunya persediaan bahan makanan di lemari pendingin. Ketika dibutuhkan suatu bahan makanan dari lemari pendingin dan ternyata tidak ada, maka akan menjadi masalah. Oleh karena itu, dibuatlah sebuah sistem yang mampu mengidentifikasi objek makanan di dalam lemari pendingin. Masukan dari sistem ini berupa foto objek makanan yang diambil menggunakan Raspberry Pi Camera dan terhubung langsung dengan Raspberry Pi di dalam lemari pendingin. Setelah diproses dengan algoritma pembelajaran mesin, maka keluaran yang dihasilkan berupa identifikasi objek makanan yang terdapat di dalam lemari pendingin tersebut. Objek makanan yang diuji berupa pisang, mentimun, brokoli, dan jeruk. Dari hasil pengujian, terlihat bahwa program mengidentifikasi objek dengan benar pada objek pisang dan jeruk yang ditunjukkan dengan confidence level tertinggi sebesar 56,98% dan 45,88%. Identifikasi objek mentimun dikenali sebagai zukini dengan confidence level tertinggi sebesar 78,61%. Adapun identifikasi objek paling rendah terdapat pada objek brokoli dengan confidence level kurang dari 1%.
Full Text:
pdfReferences
D.A.Muktiawan,“RancangBangunMonitoringAlatPenyimpananKebutuhanPokokMelaluiAndroidBerbasisMikrokontroler,”inProsidingSNRT(SeminarNasionalRisetTerapan),2016,vol.5662,pp.9–10,doi:ISSN2541-5670(Online).[2]T.MeilanySiregar,L.A.Harahap,andA.Rohanah,“IDENTIFIKASIKEMATANGANBUAHPISANG(Musaparadisiaca)DENGANTEKNIKJARINGANSYARAFTIRUAN(IdentificationofBananaMaturity(Musaparadisiaca)withArtificialNeuralNetwork),”J.RekayasaPangandanPertan.,vol.3,no.2,pp.261–265,Aug.2015,Accessed:May20,2021.[Online].Available:http://download.garuda.ristekdikti.go.id/article.php?article=1434485&val=4140&title=IDENTIFICATIONOFBANANAMATURITYMUSAPARADISIACAWITHARTIFICIALNEURALNETWORK.[3]M.Michael,F.Tanoto,E.Wibowo,F.Lutan,andA.Dharma,“PengenalanPlatKendaraanBermotordenganMenggunakanMetodeTemplateMatchingdanDeepBeliefNetwork,”MATRIKJ.Manajemen,Tek.Inform.danRekayasaKomput.,vol.19,no.1,pp.27–36,2019,doi:10.30812/matrik.v19i1.475.[4]N.Anggraini,D.F.Rahman,L.K.Wardhani,andN.Hakiem,“Mobile-basedmonitoringsystemforanautomaticcatfeederusingRaspberryPi,”Telkomnika(TelecommunicationComput.Electron.Control.,vol.18,no.2,pp.1038–1046,Apr.2020,doi:10.12928/TELKOMNIKA.V18I2.14819.[5]F.Humani,K.Adi,andC.E.Widodo,“AplikasiPengolahanCitraPadaRaspberryPiUntukMembedakanBendaBerdasarkanWarnaDanBentuk,”YoungsterPhys.J.,vol.5,no.4,pp.157–162,Oct.2016,Accessed:May20,2021.[Online].Available:https://ejournal3.undip.ac.id/index.php/bfd/article/view/14055.[6]R.ArifCandra,D.NurIlham,E.Sipahutar,D.PoliteknikAcehSelatan,andD.PoliteknikATIPadang,“METHOMIKA:JurnalManajemenInformatika&KomputerisasiAkuntansiPERANCANGANSMARTSECURITYCAMERADENGANMODELIMAGEPROCESSINGMENGGUNAKANRASPBERRYPI,”METHOMIKAJ.Manaj.Inform.KomputerisasiAkunt.,vol.3,no.2,pp.105–111,2019.[7]J.SapesandF.Solsona,“Fingerscanner:Embeddingafingerprintscannerinaraspberrypi,”Sensors(Switzerland),vol.16,no.2,Feb.2016,doi:10.3390/s16020220.[8]J.W.G.Putra,“PengenalanKonsepPembelajaranMesindanDeepLearning,”Comput.Linguist.Nat.Lang.Process.Lab.,vol.4,pp.1–235,2019,[Online].Available:https://www.researchgate.net/publication/323700644.[9]G.Ciaburro,MATLABforMachineLearning,vol.1,no.1.Packt,2018.[10]C.C.Aggarwal,“RestrictedBoltzmannMachines,”NeuralNetworksandDeepLearning,pp.235–270,2018.[11]S.V.Lab,S.University,andP.University,“ImageNet,”https://image-net.org/index.php,2020.https://image-net.org/index.php(diakses27Maret,2021).[12]D.Krisrenanto,M.Rivai,andF.Budiman,“IdentifikasiJumlahdanTingkatAktivitasOrangBerbasisPengolahanCitraMenggunakanRaspberryPi,”J.Tek.ITS,vol.6,no.1,p.A-110-A-115,2017,doi:10.12962/j23373539.v6i1.21397.[13]L.Liuetal.,“DeepLearningforGenericObjectDetection:ASurvey,”Int.J.Comput.Vis.,vol.128,no.2,pp.261–318,Feb.2020,doi:10.1007/s11263-019-01247-4.[14]B.Petrovska,I.Stojanovic,andT.Atanasova-Pacemska,“ClassificationofSmallSetsofImageswithPre-trainedNeuralNetworks,”Int.J.Eng.Manuf.,vol.8,no.4,pp.40–55,Jul.2018,doi:10.5815/ijem.2018.04.05.[15]Y.Rizk,N.Hajj,N.Mitri,andM.Awad,“Deepbeliefnetworksandcorticalalgorithms:Acomparativestudyforsupervisedclassification,”Appl.Comput.Informatics,vol.15,no.2,pp.81–93,Jul.2019,doi:10.1016/j.aci.2018.01.004.
DOI: https://doi.org/10.35970/e-joint.v2i2.1046
Article metrics
Abstract view : 0 timespdf - 0 times
Refbacks
- There are currently no refbacks.

This work is licensed under a Creative Commons Attribution 4.0 International License.
Indexed by:




Managed by:
Department of Electronica Engineering
Politeknik Negeri Cilacap
Jln. Dokter Soetomo No.1, Karangcengis Sidakaya Cilacap
Jawa Tengah 53212Telepon: (0282) 533329
Email: ejoint.ejournal@pnc.ac.id

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