DETEKSI TINGKAT KEKOTORAN DENGAN METODE CONVOLUTIONAL NEURAL NETWORK UNTUK MEREKOMENDASIKAN JENIS TREATMENT PADA SEPATU BERSIH

Kristiani, Herlin Pirena (2025) DETEKSI TINGKAT KEKOTORAN DENGAN METODE CONVOLUTIONAL NEURAL NETWORK UNTUK MEREKOMENDASIKAN JENIS TREATMENT PADA SEPATU BERSIH. Sarjana thesis, UNIVERSITAS BHINNEKA NUSANTARA.

[img] Text
ABSTRAK.pdf
Download (259kB)
[img] Text
BAB I.pdf
Download (310kB)
[img] Text
BAB II.pdf
Download (418kB)
[img] Text
BAB III.pdf
Download (690kB)
[img] Text
BAB IV.pdf
Restricted to Repository staff only
Download (467kB)
[img] Text
BAB V.pdf
Download (190kB)
Official URL: http://www.ubhinus.ac.id

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem deteksi tingkat kekotoran sepatu yang dapat memberikan rekomendasi jenis treatment secara otomatis menggunakan metode Convolutional Neural Network(CNN). Permasalahan yang dihadapi pengguna jasa perawatan sepatu adalah sulitnya mengidentifikasi tingkat kekotoran secara konsisten, sehingga sering terjadi ketidaksesuaian antara kondisi sepatu dengan treatment yang diberikan. Sistem ini dirancang untuk memproses citra sepatu dan mengklasifikasikan tingkat kekotoran ke dalam beberapa kategori, kemudian memberikan rekomendasi tretament yang sesuai. Data citra sepatu dikumpulkan dan melalui tahap pra-pemprosesan, kemudian digunakan untuk melatih model CNN. Pengujian sistem dilakukan menggunakan confusion matrix untuk memperoleh nilai precision,recall,F1-score, dan akurasi. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan data dengan akurasi sebesar 95,83%, nilai precision dan recall yang tinggi pada kedua kelas, serta F1- score diatas 0,94. Berdasarkan hasil tersebut, sistem yang dikembangkan terbukti efektif dan berpotensi membantu pelaku usaha maupun individu dalam menentukan treatment perawatan sepatu dngan cepat dan tepat.

Item Type: Thesis (Sarjana)
Subjects: Information system > Data management systems
Divisions: Engineering Sciences
Depositing User: Unnamed user with username editor_perpustakaan
Date Deposited: 03 Dec 2025 05:17
Last Modified: 03 Dec 2025 05:48
URI: http://repository.stiki.ac.id/id/eprint/2463

Actions (login required)

View Item View Item