Penerapan Convolutional Neural Network pada Timbangan Pintar Sayuran Menggunakan Raspberry Pi
Abstract
Timbangan sering digunakan untuk mengetahui nilai suatu berat benda terutama pada sayuran, timbangan terbagi menjadi
dua jenis timbangan yaitu digital dan analog. Kekurangan menggunakan timbangan saat ini untuk mengetahui nilai berat pada timbangan
dibutuhkan perantara untuk validasi berat dan harga pada sayuran. Validasi yang menggunakan perantara manusia memerlukan waktu
untuk proses validasi harga. Menggunakan Raspberry Pi sebagai komputer berukuran kecil yang dapat dipasang sensor berat. Dengan
sensor berat yang akan dipasangkan pada Raspberry Pi memungkinkan melakukan pembacaan nilai berat sayuran. Pengolahan citra
dengan komputasi memungkinkan komputer validasi barang yang ditimbang. Metode yang digunakan untuk deteksi objek yaitu
menggunakan Convolutional Neural Network (CNN). Hasil dalam penelitian ini dengan menggunakan load cell yang berkapasitas 5 kg
memiliki selisih hingga 2 gram dengan timbangan digital. Pada identifikasi jenis sayur menggunakan metode CNN memiliki akurasi
hingga 90%.
References
Computer Technology, Electronics and Communication, 2017, pp. 770–773.
[2] C. W. Zhao, J. Jegatheesan, and S. C. Loon, “Exploring IOT Application Using Raspberry Pi,” J. Comput. Networks Appl., vol.
2, no. 1, pp. 27–34, 2015.
[3] F. Hanumyahaya, R. L. Ahmad Shauri, and S. Abu Bakar, “Dorper BSI Monitoring with Load Cells and Raspberry PI,” in
ISCAIE 2019 - 2019 IEEE Symposium on Computer Applications and Industrial Electronics, 2019, pp. 208–212.
[4] O. Noorshams, J. D. Boyd, and T. H. Murphy, “Automating mouse weighing in group homecages with Raspberry Pi microcomputers,” J. Neurosci. Methods, vol. 285, no. 1, pp. 1–5, 2017.
[5] B. Nagaria, P. Shroff, and R. Mehrotra, “IoT Based Inventory System for Stock Management,” Int. Res. J. Eng. Technol., vol. 6,
no. 4, pp. 4094–4097, 2019.
[6] Y. Kalnar, R. Balakrishnan, S. Mann, T. Bidyalakshmi, S. Dawange, and N. Indore., “Microcontrollers and Sensors in Postharvest Application of Agricultural Commodity’s Sorting/ Grading and Storage,” pp. 197–202, 2018.
[7] S. Lu, Z. Lu, S. Aok, and L. Graham, “Fruit Classification Based on Six Layer Convolutional Neural Network,” in Digital
Signal Processing, 2019, vol. 23, no. 1, pp. 1–5.
[8] Y. Sakai, T. Oda, M. Ikeda, and L. Barolli, “A vegetable category recognition system using deep neural network,” in Innovative
Mobile and Internet Services in Ubiquitous Computing, IMIS 2016, 2016, pp. 189–192.
[9] F. Femling, A. Olsson, and F. Alonso-Fernandez, “Fruit and Vegetable Identification Using Machine Learning for Retail
Applications,” in International Conference on Signal-Image Technology & Internet-Based Systems, 2018, vol. 14, pp. 9–15.
[10] V. G. Nandanwar, M. Kashif, and R. S. Ankushe, “Portable Weight Measuring Instrument,” in Proceedings - 2017 International
Conference on Recent Trends in Electrical, Electronics and Computing Technologies, ICRTEECT 2017, 2017, vol. 1, pp. 44–48.
[11] S. Gollapudi, Learn Computer Vision Using OpenCV. Telangana: Apress, 2019.
[12] J. Indra, “PENERAPAN ARTIFICIAL NEURAL NETWORK UNTUK KLASIFIKASI FERTILITAS TELUR ITIK
MENGGUNAKAN RASPBERRY PI,” BUANA ILMU, vol. 3, no. 1, 2018.
[13] C. C. Aggarwal, Neural Networks and Deep Learning. New York: Springer International Publishing, 2018.
[14] J. Heaton, Artificial Intelligence for Humans, Volume 3: Neural Networks and Deep Learning. Chesterfield: Heaton Research,
Inc, 2015.
[15] W. Chen, Q. Sun, J. Wang, J. J. Dong, and C. Xu, “A Novel Model Based on AdaBoost and Deep CNN for Vehicle
Classification,” IEEE Access, vol. 6, no. c, pp. 60445–60455, 2018.
[16] A. Kirana, H. Hikmayanti, and J. Indra, “Pengenalan Pola Aksara Sunda dengan Metode Convolutional Neural Network,” Sci.
Student J. Information, Technol. Sci., vol. 1, no. 2, pp. 95–100, 2020.
[17] A. F. Gad, Practical Computer Vision Applications Using Deep Learning with CNNs. Menoufia: Apress, 2018
