IMPLEMENTASI DEEP LEARNING UNTUK KLASIFIKASI TANAMAN TOGA BERDASARKAN CIRI DAUN BERBASIS ANDROID
DOI:
https://doi.org/10.51804/ucaiaj.v2i2.113-122Keywords:
deep learning, convolution neural network, tanaman obat, androidAbstract
Masih sedikit yang mampu mengenali tumbuhan obat, seperti anak SD, SMP dan SMA, masih banyak yang tidak mengetahui nama dari tumbuhan obat, oleh karena itu penulis melakukan penelitian untuk membuat aplikasi klasifikasi tanaman toga yang mampu mengenali jenis tanaman toga berdasarkan daun hanya dengan menggunakan perangkat mobile yang mana bisa digunakan dengan mudah untuk mengetahui jenis tanaman toga, hanya dengan mengambil foto daun dari tanaman toga dapat diketahui jenis tanaman toga, sehingga dibutuhkan pendekatan untuk menyelesaian masalah ini. Pendekatan dalam penyelesain masalah ini menggunakan machine learning (ML), salah satu cabang artificial intelligence (AI) yang popular, dimana mesin mampu belajar seperti layaknya pikiran manusia. ML sendiri mempunyai bidang keilmuan baru yaitu deep learning, dimana mesin mampu melakukan pembelajaran lebih dalam, pada metode deep learning ada metode yang cocok digunakan untuk mengklasifikasikan sebuah citra yaitu metode Convolutional Neural Network (CNN), kelebihan dari CNN adalah mampu melakukan proses pembelajaran fitur-fitur dari citra secara mandiri yang disebut dengan feature learning, berbeda dengan feature extraction yang harus mendapatkan fitur-fitur dari citra terlebih dahulu sebelum melakukan klasifikasi. CNN digunakan untuk membedakan jenis tanaman dengan memberikan label dari daun tanaman toga. Pada penelitian ini menggunakan 10 kelas jenis tanaman toga yaitu teh hijau, tapak dewa, sirsak, semanggi, mengkudu, mahoni, kumis kucing, jambu biji, blimbing wuluh, bayam merah, Pengujian terhadap data pelatihan menghasilkan akurasi 75% dan data pengujian menghasilkan akurasi 80%.
References
Arrofiqoh, E. N., & Harintaka, H. (2018). Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi. GEOMATIKA, 24(2), 61–68.
Danukusumo, K. P. (2017). Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis GPU (Universitas Atma Jaya Yogyakarta). Retrieved from http://e-journal.uajy.ac.id/12425/
Fajri, N. (2011). Prediksi Suhu dengan Menggunakan Algoritma-Algortima yang Terdapat pada Artificial Neural Network. Thesis, Bandung, Indonesia, Institut Teknologi Bandung.
Hermawan, A. (2006). Jaringan Saraf Tiruan Teori dan Aplikasi. Yogyakarta: Andi.
Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2012). Foundations of Machine Learning. Cambridge: MIT Press.
Ni’mah, F. S., & Sutojo, T. (2018). Identifikasi Tumbuhan Obat Herbal Berdasarkan Citra Daun Menggunakan Algoritma Gray Level Co-occurence Matrix dan K-Nearest Neighbor. Jurnal Teknologi Dan Sistem Komputer, 6(2), 51–56.
Nurhikmat, T. (2018). Implementasi Deep Learning untuk Image Classification Menggunakan Algoritma Convolutional Neural Network (CNN) pada Citra Wayang Golek (Universitas Islam Indonesia). Retrieved from https://dspace.uii.ac.id/handle/123456789/7843
Putra, I. W. S. E. (2016). Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101 (Institut Teknologi Sepuluh Nopember). Retrieved from http://repository.its.ac.id/48842/
Rismiyati. (2016). Implementasi Convolutional Neural Network untuk Sortasi Mutu Salak Ekspor Berbasis Citra Digital (Universitas Gadjah Mada). Retrieved from http://etd.repository.ugm.ac.id/home/detail_pencarian/101746
Santoso, A., Arif, I., & Hatta, M. (2017). Pembelajaran Supervised SVM Untuk Identifikasi Obyek Pisau Pada Mesin X-Ray Bandara Juanda. Nusantara Journal of Computers and Its Applications, 1(1).
Yusniar, E., & Kustiyo, A. (2014). Identifikasi daun Shorea menggunakan KNN dengan ekstraksi fitur 2DPCA. Jurnal Ilmu Komputer Dan Agri-Informatika, 3(1), 18–26.
Zhang, Z. (2016). Derivation of Backpropagation in Convolutional Neural Network (CNN). University of Tennessee, Knoxville, TN.
Downloads
Published
Issue
Section
License
With the receipt of the article by UCaiAJ Editorial Board and the decision to be published, the copyright regarding the article will be transferred to UCaiAJ. The copyright transfer form can be downloaded here.
UCaiAJ has the right to multiply and distribute the article and every author is not allowed to publish the same article that was published in this journal.
UCaiAJ is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Under the following terms:
Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
