Identifikasi Persediaan Makanan di dalam Lemari Pendingin Berbasis Raspberry Pi dan Deep Learning
Abstract views: 40
,
pdf downloads: 36
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%.
References
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.
Copyright (c) 2021 E-JOINT (Electronica and Electrical Journal Of Innovation Technology)
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
