IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN RIMPANG SECARA VIRTUAL
Abstract
Penelitian ini mengimplementasikan Convolutional Neural Network untuk mengklasifikasi jenis tanaman rimpang yang memiliki bentuk dan warna yang hampir sama. Jenis tanaman rimpang yang diklasifikasi yaitu Kunyit, Jahe, Laos, Kencur, dan Kunci. Dalam penelitian ini terdapat 3 arsitektur Convolutional Neural Network yang digunakan yaitu MobileNet, InceptionV3, dan VGGNet. Hasil Penelitian menunjukkan bahwa arsitektur MobileNet dan InceptionV3 memperoleh akurasi yang sama yaitu sebesar 98%. Meskipun demikian, arsitektur MobileNet memiliki waktu komputasi yang lebih cepat. Adapun arsitektur VGG19 memperoleh akurasi sebesar 88%. Hasil penelitian menunjukkan bahwa metode yang digunakan dapat membedakan berbagai jenis tanaman rimpang dengan cukup baik meskipun dengan jumlah data yang sedikit. Penelitian ini diharapkan dapat memudahkan masyarakat atau orang awam yang masih sulit dalam membedakan tanaman rimpang.
Downloads
References
Batubara, N. P., Widiyanto, D., & Chamidah, N. (2020). Klasifikasi rempah rimpang berdasarkan ciri warna rgb dan tekstur glcm menggunakan algoritma naive bayes. Informatik: Jurnal Ilmu Komputer, 16(3), 156–163.
Diqi,M. (2022). Tanaman Umbi. https://www.kaggle.com/datasets/diqitalize/tanaman-umbi
Hikmatulloh, E., Lasmanawati, E., & Setiawati, T. (2017). Manfaat Pengetahuan Bumbu Dan Rempah Pada Pengolahan Makanan Indonesia Siswa Smkn 9 Bandung. Media Pendidikan, Gizi, Dan Kuliner, 6(1).
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications .https://doi.org/https://doi.org/10.48550/arXiv.1704.04861
Indrani, K., Khrisne, D., & Suyadnya, I. (2020). Android based application for rhizome medicinal plant recognition using squeezenet. J Electr Electron Inform, 4(1), 10–14.
Lecun Yann and Y. Bengio. (1998). Convolutional Networks for Images, Speech, and Time-Series. The Handbook of Brain Theory and Neural Network, 255-258.
Maimunah, M., & Arumi, E. R. (2019). Use of Support Vector Machine to Classify Rhizomes Based on Color. Journal of Physics: Conference Series, 1381(1), 12031. https://doi.org/10.1088/1742-6596/1381/1/012031
Mawaddah, S., Mufid, M. R., Basofi, A., Fiyanto, A., Aditama, D., & Nurlaila, N. (2022). Rhizome Image Classification Using Support Vector Machine BT - Proceedings of the International Conference on Applied Science and Technology on Social Science 2021 (iCAST-SS 2021). 990–993. https://doi.org/10.2991/assehr.k.220301.164
Mayasari, M., Mulyana, D. I., & Yel, M. B. (2022). Komparasi klasifikasi jenis tanaman rimpang menggunakan principal component analiysis, support vector machine, k-nearest neighbor dan decision tree. Jtik (Jurnal Teknik Informatika Kaputama), 6(2), 644–655.
Simonyan, K., & Zisserman, A. (2015). Very Deep Convolutional Networks for Large-Scale Image Recognition.