Publisher

UIN Ar-RaniryUIN Ar-Raniry

Journal Cyberspace: Jurnal Pendidikan Teknologi InformasiCyberspace: Jurnal Pendidikan Teknologi Informasi Abstract

Penelitian ini bertujuan untuk mengembangkan model menggunakan Convolutional Neural Network (CNN) dan Region-Based Convolutional Neural Network (R-CNN) untuk mengklasifikasikan berbagai jenis bunga anggrek. Dataset terdiri dari gambar-gambar tiga kelas utama anggrek: Anggrek Bulan (Phalaenopsis), Anggrek Dendrobium, dan Anggrek Tanah (Paphiopedilum), dengan sekitar 40 gambar per kelas. Gambar-gambar tersebut dikumpulkan dari berbagai sumber yang tepercaya seperti Dinas Ketahanan Pangan dan Tanaman Pangan dan Hortikultura Provinsi Lampung serta Dinas Ketahanan Pangan, Pertanian dan Perikanan Kota Metro dan para UMKM toko bunga di Provinsi Lampung serta berbagai sumber termasuk database publik, situs web hortikultura, dan koleksi pribadi, untuk mencakup variasi visual dalam setiap kelas. Proses pengumpulan data melibatkan pengambilan dan pengunduhan gambar beresolusi tinggi, pengkategorian dan pelabelan, serta pra-pemrosesan untuk meningkatkan kualitas gambar. Dataset kemudian dibagi menjadi data pelatihan dan pengujian dalam rasio 70:30 untuk melatih dan mengevaluasi performa model. Dengan memanfaatkan teknik lanjutan dalam pengumpulan data, pra-pemrosesan, dan analisis, penelitian ini bertujuan untuk mengembangkan model yang tangguh mampu mengklasifikasikan spesies bunga anggrek secara akurat berdasarkan karakteristik visualnya.

Conclusion

Penelitian ini berhasil mengembangkan model Convolutional Neural Network (CNN) dengan akurasi 85.Model ini menunjukkan kemampuan yang baik dalam mengenali pola-pola visual yang telah dipelajari dari data latih.Hasil ini dapat diimplementasikan dalam sistem otomatis untuk identifikasi jenis-jenis anggrek, yang bermanfaat dalam bidang botani atau agrikultur.Penelitian lebih lanjut disarankan untuk meningkatkan performa model melalui penyetelan hyperparameter, augmentasi data, dan evaluasi dengan dataset yang lebih besar.

Future Research

Berdasarkan hasil penelitian, terdapat beberapa saran untuk pengembangan lebih lanjut. Pertama, perlu dilakukan penyetelan hyperparameter seperti learning rate dan jumlah epoch untuk mengoptimalkan proses pelatihan model. Kedua, penerapan augmentasi data dapat meningkatkan generalisasi model dengan memperkenalkan variasi pada gambar latih. Ketiga, eksplorasi arsitektur CNN yang lebih kompleks, seperti ResNet atau InceptionV3, dapat meningkatkan kemampuan model dalam mengenali fitur-fitur yang kompleks. Keempat, evaluasi model pada dataset yang lebih besar dan beragam akan memberikan gambaran yang lebih komprehensif tentang performa model dalam kondisi yang berbeda. Kelima, penelitian lanjutan dapat fokus pada pengembangan sistem klasifikasi real-time yang dapat digunakan secara praktis oleh petani atau peneliti anggrek, sehingga mempermudah identifikasi dan pengelolaan spesies anggrek.

References

1. IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK MENDETEKSI PENGGUNAAN MASKER PADA GAMBAR | Jurnal... doi.org/10.23960/jitet.v11i3.3286IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK CNN UNTUK MENDETEKSI PENGGUNAAN MASKER PADA GAMBAR Jurnal doi 10 23960 jitet v11i3 3286
2. Klasifikasi Pneumonia Dengan Deep Learning Faster Region Convolutional Neural Network Arsitektur VGG16... doi.org/10.22441/incomtech.v12i3.15112Klasifikasi Pneumonia Dengan Deep Learning Faster Region Convolutional Neural Network Arsitektur VGG16 doi 10 22441 incomtech v12i3 15112

Metadata

File size	820.78 KB
Pages	15
DMCA	Report