Penerapan ESP32-CAM dan TinyML dalam Klasifikasi Gambar Buah dan Sayuran
Abstract
The classification of fruit and vegetable images still requires high costs, posing challenges in developing efficient solutions. Fruits and vegetables are crucial in healthy food, so efficiency in managing their images impacts the agricultural industry. The aim of this study is to apply ESP32-CAM and TinyML in Fruit and Vegetable Image Classification with efficiency and low cost. The method involves Edge Impluse Studio and training the model with Convolutional Neural Network (CNN). From the testing, the F1 score accuracy reached 68.3% for each class of fruit and vegetables. From the demonstration using ESP32-CAM, the obtained accuracies are Apple (89%), Banana (91%), Orange (89%), Carrot (83%), and Cabbage (66%). The results indicate that applying ESP32-CAM and TinyML has the potential to improve efficiency and reduce costs in managing images.
Keywords: ESP32-CAM; TinyML; Image Clasification; Fruit and Vegetables; Solution Efficiency;
Abstrak
Pengklasifikasian gambar buah dan sayuran masih memerlukan biaya yang tinggi, sehingga menghadirkan kesulitan dalam mengembangkan solusi yang efisien. Buah dan sayuran penting dalam makanan sehat, sehingga efisiensi dalam pengelolaan gambar mereka berdampak pada industri pertanian. Tujuan penelitian ini adalah menerapkan ESP32-CAM dan TinyML dalam Klasifikasi Gambar Buah dan Sayuran dengan efisiensi dan biaya rendah. Metode melibatkan Edge Impluse Studio dan pelatihan model dengan Convolutional Neural Network (CNN). Dari pengujian, akurasi F1 score mencapai 68.3% untuk setiap kelas buah dan sayuran. Dari demonstrasi menggunakan ESP32-CAM, akurasi yang diperoleh adalah Apel (89%), Pisang (91%), Jeruk (89%), Wortel (83%), dan Kubis (66%). Hasil menunjukkan penerapan ESP32-CAM dan TinyML memiliki potensi untuk meningkatkan efisiensi dan mengurangi biaya pengelolaan gambar.
Keywords
References
A. Ciputra, D. R. I. M. Setiadi, E. H. Rachmawanto, and A. Susanto, “Klasifikasi Tingkat Kematangan Buah Apel Manalagi Dengan Algoritma Naive Bayes Dan Ekstraksi Fitur Citra Digital,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 9, no. 1, pp. 465–472, Apr. 2018, doi: 10.24176/simet.v9i1.2000.
E. Priatiningsih, "Hubungan Pengetahuan Ibu Tentang Gizi Dengan Pengelolaan Makanan Sehat Keluarga Pada Anggota Lembaga Pemberdayaan Kesejahteraan Keluarga. Keluarga: Jurnal Ilmiah Pendidikan Kesejahteraan Keluarga, vol. 4, no. 1, pp. 101-108, 2018.
N. Ardila, "Aplikasi Pengelolaan Sayuran dan Buah-Buahan di Pizza Hut PTC Palembang. Other. Perpustakaan Universitas Katolik Musi Charitas, 2017.
N. Nikolov, & O. Nakov, "Research of secure communication of Esp32 IoT embedded system to. NET core cloud structure using MQTTS SSL/TLS. In 2019 IEEE XXVIII International Scientific Conference Electronics (ET), pp. 1-4, IEEE, 2019.
V. Tsoukas, E. Boumpa, G. Giannakas, & A. Kakarountas, "A review of machine learning and tinyml in healthcare. In Proceedings of the 25th Pan-Hellenic Conference on Informatics, pp. 69-73, 2021.
A. Ciputra, E.H. Rachmawanto, & A. Susanto, "Klasifikasi Tingkat Kematangan Buah Apel Manalagi Dengan Algoritma Naive Bayes Dan Ekstraksi Fitur Citra Digital". Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, Vol. 9, no. 1, pp. 465-472, 2018.
D.T. Laswati, N.R.I. Sundari, & O. Anggraini, "Pemanfaatan kersen (Muntingia calabura L.) sebagai alternatif produk olahan pangan: sifat kimia dan sensoris". JITIPARI (Jurnal Ilmiah Teknologi dan Industri Pangan UNISRI), vol. 2, no. 2, pp. 1-12, 2017
S.D.P. Bahari, & U. Latifa, "Klasifikasi Buah Segar Menggunakan Teknik Computer Vision Untuk Pendeteksian Kualitas Dan Kesegaran Buah. JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 3, pp. 1567-1573, 2023.
V. Gutti and R. Karthi, “Real Time Classification of Fruits and Vegetables Deployed on Low Power Embedded Devices Using Tiny ML,” 2022, pp. 347–359. doi: 10.1007/978-3-031-12413-6_27.
R. F. Hanung Pangestu Rahman, Jamaludin Indra, “Penerapan Convolutional Neural Network pada Timbangan Pintar Menggunakan ESP32-CAM,” J. Media Inform. Budidarma, vol. 7, no. 2, pp. 1–9, 2023, doi: 10.30865/mib.v7i1.5469.
Y. B. E. Purba, N. F. Saragih, A. P. Silalahi, and ..., “Perancangan Alat Pendeteksi Kematangan Buah Nanas Dengan Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network (CNN),” J. Ilm. Tek. …, vol. 2, no. 1, pp. 13–21, 2022, [Online]. Available: https://ojs.fikom-methodist.net/index.php/methotika/article/ view/ 43%0Ahttps://ojs.fikom-methodist.net/index.php/methotika/article/download/43/39
A. L. Associative professor, N. V Raghav, and B. S. Kumar P, “Animal Intrusion Detection Using ESP32 Cam and Open CV,” Int. J. Innov. Sci. Res. Technol., vol. 8, no. 10, pp. 913–916, 2023, [Online]. Available: www.ijisrt.com913
H. Fitri and D. Ivan Finiel Hotmartua Bagariang, “Pemanfaatan Esp32-Cam Untuk Mengukur Ketinggian Air Menggunakan Metode Image Processing,” Semin. Nas. Terap. Ris. Inov. Ke-6 ISAS Publ. Ser. Eng. Sci., vol. 6, no. 1, pp. 762–769, 2020.
K. Seth, “Fruits and Vegetables Image Recognition Dataset,” kaggle.com. Accessed: Apr. 21, 2024. [Online]. Available: https://www.kaggle.com/datasets/kritikseth/fruit-and-vegetable-image-recognition
S. R. Suartika E. P, I Wayan, Wijaya Arya Yudhi, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) Pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, pp. 76-85, 2016, [Online]. Available: http://repository.its.ac.id/48842/
Y. Yosefan Pane and J. J. Sihombing, “Bird Species Classification Using Transfer Learning Method,” J. Teknol. Terpadu, vol. 9, no. 2, pp. 89–94, 2023.
G. Lukas Hansel and H. Bunyamin, “Penggunaan Augmentasi Data pada Klasifikasi Jenis Kanker Payudara dengan Model Resnet-34,” J. Strateg., vol. 3, no. 1, pp. 187–193, 2021.
S. Suprianto, D. S. Lestari, and O. H. Simung, “Aplikasi Penentuan Kesegaran Ikan Bandeng Menggunakan Metode Convolution Neural Network,” Insect (Informatics Secur. J. Tek. Inform., vol. 8, no. 2, pp. 77–86, 2023, doi: 10.33506/insect.v8i2.2196.
O. V. Putra, A. Musthafa, M. Nur, and M. Rido, “Classification of Calligraphy Writing Types Using Convolutional Neural Network Method (CNN),” Procedia Eng. Life Sci., vol. 2, no. 1, pp. 2–8, 2021, doi: 10.21070/pels.v2i0.1136.
I. Edge FOMO: Object detection for constrained devices, https://docs.edgeimpulse.com/ docs/edge-impulse-studio/learning-blocks/object-detection/fomo-object-detection-for-constrained-devices, Accessed: Apr. 21, 2024. [Online].
How To Cite This :
Refbacks
- There are currently no refbacks.
