Publisher

UMUSLIMUMUSLIM

Journal Jurnal TikaJurnal Tika Abstract

Kebutuhan 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.

Conclusion

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.

Future Research

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.

References

1. Improved Adam Optimizer for Deep Neural Networks | IEEE Conference Publication | IEEE Xplore. improved... ieeexplore.ieee.org/document/8624183Improved Adam Optimizer for Deep Neural Networks IEEE Conference Publication IEEE Xplore improved ieeexplore ieee document 8624183

Metadata

File size	537.23 KB
Pages	7
DMCA	Report