UMUSLIMUMUSLIM
Jurnal TikaJurnal TikaKebutuhan untuk pengidentifikasian jenis tanaman rempah sangat penting untuk memperoleh tingkat akurasi secara akurat dan efisien. Peneliti sebelumnya telah menunjukkan keberhasilan metode CNN ini dalam klasifikasi berbagai spesies tanaman rempah. Namun, pada penelitian ini hanya mempelajari tiga jenis tanaman rempah Zingiberaceae (juga di kenal sebagai jahe-jahean): jahe, kunyit, dan lengkuas. Penelitian sebelumnya tentang jenis tanaman ini belum banyak dilakukan. Untuk memastikan akurasi label, penelitian ini membandingkan kinerja dua optimizer CNN yang populer, Adam dan SGD. Dataset gambar tanaman rempah yang diperoleh dari situs web internet kemudian di diagnosis oleh ahli. Untuk mempersiapkan pelatihan model CNN dengan VGG19, data gambar akan melalui proses pre-processing. Arsitektur VGG19 yang telah dilatih sebelumnya akan digunakan sebagai dasar untuk klasifikasi tanaman rempah. Akurasi klasifikasi digunakan untuk menilai kinerja model. Dan temuan studi menunjukkan bahwa pada klasifikasi tanaman rempah penggunaan arsitektur VGG19 yang telah terlatih sebelumnya digunakan memberikan hasil penelitian yang juga menunjukkan bahwa metode CNN arsitektural berhasil mengklasifikasi jenis tanaman rempah Zingiberaceae. Secara konsisten, penggunaan optimizer Adam menghasilkan akurasi yang lebih tinggi dibandingkan SGD. Ini menunjukkan bahwa optimizer Adam mungkin lebih efektif dalam mengoptimalkan parameter model VGG19 untuk klasifikasi tanaman rempah.
Penggunaan metode CNN sangat direkomendasikan untuk klasifikasi gambar, dengan optimizer Adam terbukti lebih efektif dan menghasilkan tingkat akurasi yang lebih baik dibandingkan SGD pada model tanpa arsitektur VGG19.Penerapan model arsitektur VGG19 secara signifikan meningkatkan performa klasifikasi untuk tanaman herba rimpang Zingiberaceae, baik dengan optimizer Adam maupun SGD, menunjukkan kemampuannya yang unggul dalam ekstraksi fitur.Kombinasi optimizer Adam dan model arsitektur VGG19 menghasilkan performa klasifikasi terbaik, mencapai akurasi 100% pada epoch rendah, menjadikannya pilihan optimal meskipun penggunaannya dapat memberatkan beberapa perangkat komputasi.
Penelitian ini telah berhasil menunjukkan potensi besar metode CNN, khususnya dengan arsitektur VGG19 dan optimizer Adam, dalam mengklasifikasi tiga jenis tanaman rempah Zingiberaceae. Namun, mengingat Indonesia memiliki ribuan spesies Zingiberaceae dan tantangan dalam identifikasi manual, ada beberapa arah penelitian lanjutan yang sangat menarik untuk dieksplorasi. Pertama, perluasan cakupan spesies yang diklasifikasikan menjadi prioritas utama. Bagaimana performa model akan berubah jika dataset diperkaya dengan ratusan atau bahkan ribuan gambar dari lebih banyak spesies Zingiberaceae yang berbeda, dan bagaimana kita dapat mengumpulkan dataset sebesar itu secara efisien dan akurat? Penelitian dapat berfokus pada pengembangan strategi pengumpulan data citra skala besar yang terotomatisasi atau semi-otomatis, mungkin melibatkan teknologi crowdsourcing atau drone. Kedua, mengingat kendala performa perangkat yang disebutkan, pertanyaan selanjutnya adalah: dapatkah kita mengembangkan atau mengadaptasi arsitektur CNN yang lebih ringan, seperti MobileNet atau EfficientNet, yang mampu mempertahankan tingkat akurasi tinggi sambil jauh lebih efisien dalam penggunaan sumber daya komputasi? Ini penting untuk memungkinkan implementasi model pada perangkat seluler atau sistem tertanam di lapangan. Ketiga, untuk mengatasi keterbatasan data morfologi, anatomi, dan molekuler yang ada, apakah mungkin mengintegrasikan informasi multi-modal selain hanya citra visual? Misalnya, bagaimana jika model klasifikasi juga mempertimbangkan data genetik (DNA barcoding) atau deskripsi tekstual ciri-ciri morfologi, sehingga menciptakan sistem identifikasi yang lebih robust dan komprehensif? Dengan menjawab pertanyaan-pertanyaan ini, penelitian di masa depan dapat membuka jalan bagi solusi identifikasi tanaman rempah yang tidak hanya akurat tetapi juga praktis dan dapat diakses secara luas, membantu pelestarian keanekaragaman hayati Indonesia.
| File size | 537.23 KB |
| Pages | 7 |
| DMCA | Report |
Related /
NURISNURIS Berdasarkan analisis performa, kecepatan, dan perilaku pelatihan, kita dapat menarik kesimpulan praktis mengenai implikasi implementasi kedua model padaBerdasarkan analisis performa, kecepatan, dan perilaku pelatihan, kita dapat menarik kesimpulan praktis mengenai implikasi implementasi kedua model pada
STTMCILEUNGSISTTMCILEUNGSI Dalam studi ini, dua model pembelajaran mendalam diinvestigasi: jaringan saraf konvolusi (CNN) yang dirancang khusus dan arsitektur ResNet18 yang memanfaatkanDalam studi ini, dua model pembelajaran mendalam diinvestigasi: jaringan saraf konvolusi (CNN) yang dirancang khusus dan arsitektur ResNet18 yang memanfaatkan
HOSTJOURNALSHOSTJOURNALS Model CNN yang diusulkan menunjukkan performa terbaik dengan akurasi pelatihan sebesar 90,74% dan akurasi validasi 86,76%, lebih tinggi dibandingkan modelModel CNN yang diusulkan menunjukkan performa terbaik dengan akurasi pelatihan sebesar 90,74% dan akurasi validasi 86,76%, lebih tinggi dibandingkan model
UMGOUMGO Model mempelajari ciri visual seperti bentuk, tekstur, dan warna untuk mengenali tiap kelas. Ukuran 400x400 piksel memberikan hasil paling seimbang, denganModel mempelajari ciri visual seperti bentuk, tekstur, dan warna untuk mengenali tiap kelas. Ukuran 400x400 piksel memberikan hasil paling seimbang, dengan
STEKOMSTEKOM Hasil penelitian menunjukkan efektivitas implementasi SIMKD yang belum optimal, dipengaruhi oleh faktor-faktor seperti kualitas sumber daya manusia, infrastrukturHasil penelitian menunjukkan efektivitas implementasi SIMKD yang belum optimal, dipengaruhi oleh faktor-faktor seperti kualitas sumber daya manusia, infrastruktur
UMUSLIMUMUSLIM Wujud dari pengembangan Sistem Informasi Penjualan Smartphone ini adalah pembuatan web yang mampu mewakili sistem informasi yang dirancang secara keseluruhan.Wujud dari pengembangan Sistem Informasi Penjualan Smartphone ini adalah pembuatan web yang mampu mewakili sistem informasi yang dirancang secara keseluruhan.
UMUSLIMUMUSLIM Implementasi melibatkan penggunaan bahasa pemrograman dan framework tertentu dengan pengujian menyeluruh terfokus pada keberlanjutan, keamanan, dan kehandalan.Implementasi melibatkan penggunaan bahasa pemrograman dan framework tertentu dengan pengujian menyeluruh terfokus pada keberlanjutan, keamanan, dan kehandalan.
UMUSLIMUMUSLIM Karyawan merupakan seseorang yang bekerja atau memiliki status pekerja dalam suatu organisasi, perusahaan, atau instansi pemerintah. Individu tersebutKaryawan merupakan seseorang yang bekerja atau memiliki status pekerja dalam suatu organisasi, perusahaan, atau instansi pemerintah. Individu tersebut
Useful /
UMGOUMGO Berdasarkan Hasil pengujian menggunakan tool rapidminer dan google colab algoritma Naive Bayes, Logistic Regression, dan Artificial Neural Network mampuBerdasarkan Hasil pengujian menggunakan tool rapidminer dan google colab algoritma Naive Bayes, Logistic Regression, dan Artificial Neural Network mampu
UMGOUMGO Tingkat kepuasan tinggi ditemukan pada dimensi konten, akurasi, format, kemudahan penggunaan, dan ketepatan waktu, dengan mayoritas responden menyatakanTingkat kepuasan tinggi ditemukan pada dimensi konten, akurasi, format, kemudahan penggunaan, dan ketepatan waktu, dengan mayoritas responden menyatakan
STEKOMSTEKOM Tujuan dari penelitian ini adalah untuk menentukan efek dari perencanaan pajak, beban pajak tangguhan, dan aset pajak tangguhan terhadap manajemen laba.Tujuan dari penelitian ini adalah untuk menentukan efek dari perencanaan pajak, beban pajak tangguhan, dan aset pajak tangguhan terhadap manajemen laba.
UMUSLIMUMUSLIM Penelitian ini berfokus pada pengembangan sistem informasi berbasis Android di Mas Ung Home Bike Workshop, sebuah bengkel sepeda di Cikarang, Jawa Barat.Penelitian ini berfokus pada pengembangan sistem informasi berbasis Android di Mas Ung Home Bike Workshop, sebuah bengkel sepeda di Cikarang, Jawa Barat.