ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Masyarakat Suku Dayak Kenyah memiliki pengetahuan turun-temurun dalam pemanfaatan tumbuhan untuk pengobatan tradisional. Namun, kemiripan morfologi antara spesies tanaman, khususnya daun, sering menjadi kendala dalam identifikasi yang akurat. Meskipun minat terhadap herbal medicine semakin meningkat, keterbatasan pemahaman mengenai tanaman obat tetap menjadi masalah, meski Indonesia memiliki lebih dari 38.000 spesies tumbuhan, dengan 2.039 di antaranya tanaman herbal. Proses klasifikasi daun obat tradisional masih dilakukan secara manual, berisiko terjadi kesalahan akibat kemiripan bentuk dan tekstur antar daun. Penelitian ini mengusulkan sistem klasifikasi citra daun obat tradisional Suku Dayak Kenyah menggunakan metode deep learning Convolutional Neural Network (CNN), dengan fokus pada daun senggani (Melastoma malabathricum L), daun jarak (Jatropha curcas), dan daun sengkubak (Pycnarrhena cauliflora). Penelitian menggunakan dataset 900 citra primer yang diproses melalui tahapan preprocessing dan augmentation hingga menghasilkan 2.340 citra. Dataset dibagi menjadi 80% data latih, 10% data validasi, dan 10% data uji. Proses analisis meliputi pembagian dataset, pelatihan model, dan evaluasi performa dengan mengamati kestabilan metrik pada data validasi dan pengujian. Hasil pelatihan model CNN dengan arsitektur MobileNetV2 menunjukkan bahwa akurasi terbaik tercapai pada epoch ke-50 dengan nilai akurasi pelatihan 100%, akurasi validasi 100%, dan validation loss sebesar 0,0565. Evaluasi terhadap data uji menunjukkan performa model sangat baik, dengan nilai precision, recall, dan F1-Score rata-rata mencapai 100% pada seluruh kategori daun serta rata-rata akurasi 100%. Namun, pengujian pada 90 data uji dari dataset luar menunjukkan penurunan performa model, dengan rata-rata precision 88%, recall 84%, dan F1-score 83%, dengan rata-rata dari akurasi per kelas 88,9% dan akurasi total model pada data uji luar dataset adalah 84,4%. Hasil ini menunjukkan bahwa model CNN dengan arsitektur MobileNetV2 efektif dalam klasifikasi citra daun obat tradisional Suku Dayak Kenyah, dan dapat menjadi solusi inovatif serta standar kualitas dalam klasifikasi daun senggani, daun jarak, dan daun sengkubak.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Kualitas dan tingkat kematangan buah pisang sangat memengaruhi harga jual dan kepuasan konsumen, namun proses penentuan secara manual memerlukan waktu, keahlian khusus, dan rawan kesalahan, sehingga dibutuhkan sistem otomatis yang akurat dan efisien. Penelitian ini bertujuan merancang dan membangun sistem klasifikasi otomatis tingkat kematangan dan jenis buah pisang berbasis citra dengan menggunakan metode Convolutional Neural Network (CNN), yang diharapkan dapat membantu petani, pedagang, dan konsumen dalam menilai kualitas buah secara cepat dan akurat. Dataset yang digunakan mencakup 900 citra awal dari pisang jenis susu dan muli dengan tiga kategori kematangan yaitu mentah, matang, dan busuk. Setelah melalui tahap preprocessing jumlah dataset meningkat menjadi 2.700 citra. Selanjutnya, data dibagi menjadi data latih 70%, data validasi 15%, dan data uji 15%. Model CNN dilatih menggunakan arsitektur VGG16 dan dievaluasi dengan metrik akurasi, precision, recall, dan F1-score. Proses analisis data meliputi pembagian dataset, pelatihan model, serta evaluasi performa dengan mengamati kestabilan nilai metrik pada data validasi dan pengujian. Hasil pengujian dari data uji dalam dataset menunjukkan performa model yang tinggi dengan nilai rata-rata precision 85%, recall 88%, dan F1-score 86% serta rata – rata akurasi 87,90%. Hasil pengujian sebanyak 405 data dari data uji diluar dataset menunjukkan performa model yang turun dengan nilai rata-rata precision 86%, recall 77% dan F1-score 79% serta rata – rata akurasi 76,79%. Dengan demikian, sistem ini terbukti efektif sebagai sistem otomatis dalam penilaian kualitas buah pisang, dan dapat diimplementasikan dalam industri pertanian untuk meningkatkan efisiensi, keakuratan, serta mendukung pengambilan keputusan secara cepat dan otomatis.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Kabupaten Nunukan, yang terletak di Provinsi Kalimantan Utara, khususnya di Pulau Sebatik, memiliki potensi besar dalam produksi kelapa sawit. Proses manual dalam menentukan jenis kelamin bunga kelapa sawit seringkali menyebabkan kesalahan dan ketidakefisienan. Oleh karena itu, penelitian ini mengusulkan untuk mengembangkan sistem klasifikasi jenis kelamin bunga kelapa sawit secara otomatis berbasis citra dengan menggunakan salah satu arsitektur CNN (Convolutional Neural Network) yaitu VGG19. Dataset dalam penelitian ini menggunakan data primer yang terdiri dari 800 citra bunga kelapa sawit, masing-masing 400 citra untuk bunga jantan dan betina. Dataset kemudian diproses melalui tahapan preprocessing hingga menghasilkan total 1.164 citra baru yang digunakan untuk pelatihan model dengan pembagian proporsi 80% untuk data pelatihan, 10% untuk data validasi, dan 10% untuk data uji. Hasil pelatihan model CNN dengan arsitektur VGG19 terhadap 80% data pelatihan menunjukkan rata-rata nilai precision, recall, dan f1-score keseluruhan sebesar 100%. Begitu pula hasil evaluasi model pelatihan terhadap 10% data validasi dan 10% data uji menunjukkan nilai precision, recall, dan f1-score mencapai 100%. Namun pada saat sistem diimplementasikan menggunakan citra baru diluar dataset sebanyak 18 citra, masih terdapat kesalahan dalam mengidentifikasi bunga betina sebagai bunga jantan, sehingga menghasilkan rata-rata presisi sebesar 95%, recall 95%, dan F1-score 94%. Hasil pengujian ini menunjukkan, sistem berhasil mengklasifikasikan bunga kelamin kelapa sawit, meskipun masih terdapat kesalahan dalam implementasi sistem. Faktor kesalahan tersebut disebabkan oleh keterbatasan jumlah citra ataupun kurangnya variasi data latih. Sistem ini diharapkan dapat berkontribusi dalam bidang pertanian kelapa sawit, terutama dalam mengklasifikasikan bunga kelapa sawit.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Kota Tarakan yang terletak di Kalimantan Utara kaya akan keanekaragaman hayati khususnya jenis family arecaceae. Family arecaceae diketahui memainkan peran penting dalam ekosistem dan perekonomian lokal. Penelitian ini bertujuan untuk membangun sistem klasifikasi berbasis citra menggunakan metode deep learning khususnya CNN untuk mengidentifikasi jenis buah family arecaceae. dataset penelitian terdiri dari 420 citra awal palem raja dan pinang, yang kemudian diproses melalui tahap preprocessing, menghasilkan 1.338 citra. Pembagian dataset dilakukan dengan alokasi 75% untuk data latih, 10% data validasi, dan 15% data uji sekunder. Model CNN yang dilatih menunjukkan akurasi pelatihan sebesar 100% dan evaluasi menggunakan data validasi menghasilkan rata - rata presisi, recall, dan f1-score masing -masing 100%. Model kemudian diuji cobakan pada data uji sekunder hingga diperoleh rata-rata presisi sebesar 95%, recall dan f1-score masing-masing sebesar 94%, sedangkan evaluasi pada data uji primer menghasilkan rata-rata presisi sebesar 88%, recall 88%, dan f1-score 87% dengan ketetapan nilai threshold 95%. Hasil evaluasi ini menunjukkan bahwa penelitian ini berhasil membangun sistem klasifikasi yang efektif dalam mengenali dan menganalisis citra buah, meskipun masih terdapat kesalahan pada beberapa pengujian, khususnya data primer. Faktor kesalahan tersebut disebabkan oleh keterbatasan jumlah citra, kurangnya variasi data latih dan tidak ada tahapan preprocessing pada citra data uji. Sistem ini diharapkan dapat mendukung program konservasi dan pengelolaan sumber daya alam yang berkelanjutan, serta dapat diterapkan pada flora wilayah tropis lainnya.
ThesisOpen AccessMetadata saja
2021•
ABSTRAK Skripsi ini berjudul Fungsi Tindak Tutur dan Implikatur di Channel YouTube CNN Indonesia Bertema Covid-19 (Kajian Pragmatik). Tujuan penelitian ini adalah untuk mendeskripsikan fungsi tindak tutur dan jenis implikatur yang terkandung di dalam percakapan antara pembawa acara dan narasumber. Dengan adanya penelitian ini diharapkan bermanfaat bagi pembaca. Penelitian ini merupakan penelitian kualitatif deskriptif, sumber data pada penelitian ini ialah bersumber dari tuturan para peserta diskusi yang bertema tentang Covid-19 melalui channel YouTube CNN Indonesia. Teknik pengumpulan pada penelitian ini menggunakan metode simak dengan menggunakan teknik dasar yakni teknik sadap, Teknik Simak Bebas Libat Cakap (SBLC), teknik rekam, dan teknik catat. Teknik analisis data pada penelitian ini menggunakan metode padan pragmatis dengan alat penentu yakni peserta diskusi dalam program berita CNN Indonesia, tahap selanjutnya menggunakan Teknik Pilah Unsur Penentu (PUP). Berdasarkan teknik-teknik yang digunakan dalam penelitian ini maka data-data yang telah diklasifikasikan berdasarkan kelompoknya akan masuk tahap analisis data dengan menerapkan teori Levinson dan Yule. Hasil analisis data menunjukkan bahwa terdapat 4 jenis tindak tutur berdasarkan fungsinya yaitu; (1) tindak tutur Asertif/Representatif terdiri dari 32 data dengan fungsi menyatakan, 4 data dengan fungsi mengakui, 9 data dengan fungsi melaporkan, 9 data dengan fungsi menyebutkan, 3 data dengan fungsi memberikan kesaksian, 3 data dengan fungsi berspekulasi. (2) Tindak tutur Direktif terdiri dari 5 data dengan fungsi mengajak, 25 data dengan fungsi meminta, 4 data dengan fungsi menyarankan, 5 data dengan fungsi memberikan aba-aba. (3) Tindak tutur Komisif dengan fungsi berjanji terdiri dari 4 data. (4) Tindak tutur Ekspresif terdiri dari 2 dengan fungsi mengeluh, 7 data dengan fungsi mengkritik, 3 data dengan fungsi mengucapkan terima kasih, dan 1 data dengan fungsi menyanjung. Adapun jenis implikatur yang ditemukan dalam penelitian ini yaitu; (1) implikatur percakapan umum, (2) implikatur beskala, (3) implikatur percakapan khusus. Implikatur-implikatur tersebut timbul dalam sebuah percakapan disebabkan adanya pelanggaran maksim. ABSTRACT This study was entitled “Functions of Speech Acts and Implicatures on the CNN Indonesia YouTube Channel with the Covid-19 Themed (Pragmatic Study)”. The purpose of this study was to describe the function of speech act and the resource person. It was expected to be useful for the readers. This descriptive qualitative research collected the data from the speeches of the discussion participants on the theme of Covid-19 through the CNN Indonesia YouTube channel. The data were collected through listening method using tapping, listening-free-participating-speaking technique, recording, and note-taking. The data were analysed using a pragmatic matching method with a determining tool of discussion participants in the CNN Indonesia news program and the determinant element sorting technique. The data that were classified was analyzed using Levinson and Yule’s theory. The results of data analysis showed that there were 4 types of speech acts based on their function. First, the assertive/representative speech acts that consisted of 32 data with the function of stating, 4 data with the function of admitting, 9 data with the function of reporting, 9 data with the function of mentioning, 3 data with the function of giving testimony, 3 data with the function of speculating. Second, the directive speech acts that consisted of 5 data with the function of inviting, 25 data with the function of giving cues. Third, the commissive speech acts with the promise function that consisted of 4 data. Fourth, the expressive speech acts that consisted of 2 data with complaining function, 7 data with critizing function, 3 data with thanking function, and 1 data with flattering function. The type of implicatures found in this study were: (1) general conversational implicature, (2) scale implicature, and (3) special conversational implicature. These implicature arouse in a conversation due to the violation of maxims.
