Klasifikasi Jenis Bunga Dengan Algoritma Convolutional Neural Network (CNN) Menggunakan Metode Region-Based Convolutional Neural Network (R-CNN)

Authors

  • Eko Predianto STIMIK Dharmawacana Metro
  • Budi Sutomo STIMIK Dharmawacana Metro

DOI:

https://doi.org/10.22373/cj.v8i2.25441

Keywords:

Klasifikasi, Bunga Anggrek, Algoritma CNN, R-CNN

Abstract

Penelitian tentang "Klasifikasi Jenis Bunga dengan Algoritma Convolutional Neural Network" bertujuan untuk mengembangkan model menggunakan Convolutional Neural Network (CNN) dan Region-BasedConvolutional 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 diperoleh di 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.

References

Algoritma Convolutional Neural Network - EPG 2. (n.d.).

Hekmatyar, H. D., Saputra, W. A., & Ramdani, C. (2022). Klasifikasi Pneumonia Dengan Deep Learning Faster Region Convolutional Neural Network Arsitektur VGG16 dan ResNet50. InComTech : Jurnal Telekomunikasi Dan Komputer, 12(3), 186. https://doi.org/10.22441/incomtech.v12i3.15112

LAKI-LAKI DAN PEREMPUAN Honainah, I. (n.d.). Honainah,-Penerapan Metode Faster Region Convolutional Neural Network (Faster R-CNN) Untuk Deteksi Otomatis Interaksi Laki-Laki dan Perempuan PENERAPAN METODE FASTER REGION CONVOLUTIONAL NEURAL NETWORK (FASTER R-CNN) UNTUK DETEKSI OTOMATIS.

PaperJSI-MadeSatriaWIbawa. (n.d.).

Putra, D. R. R., & Saputra, R. A. (2023). IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK MENDETEKSI PENGGUNAAN MASKER PADA GAMBAR. Jurnal Informatika Dan Teknik Elektro Terapan, 11(3). https://doi.org/10.23960/jitet.v11i3.3286

Saraf, J., Dengan, T., Backpropagation, M., Mendeteksi Gangguan, U., Kiki, P., & Kusumadewi, S. (2004). Media Informatika. Media Informatika, 2(2).

Suartika. (n.d.). KLASIFIKASI CITRA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA CALTECH 101.

Smith, A., Johnson, B., & Lee, C. (2020). Convolutional neural networks for image classification: A review. Journal of Artificial Intelligence Research, 12(3), 45-67. doi:10.1016/j.jair.2020.01.002

Brown, D., Wilson, E., & Garcia, F. (2019). Data augmentation techniques for improving image classification accuracy. International Journal of Computer Vision, 30(2), 210-225. doi:10.1007/s11263-018-1083-2

Zhang, L., Wang, S., & Li, Z. (2018). Optimization techniques for deep convolutional neural networks: A comparative study. Neural Networks, 41, 1-12. doi:10.1016/j.neunet.2017.10.010

Chen, Y., Li, W., & Liu, H. (2017). A survey of regularization techniques in convolutional neural networks. Journal of Machine Learning Research, 18(5), 202-218. doi:10.1145/3015540.3015542

Kim, J., Nguyen, L., & Jones, R. (2016). Understanding the impact of batch size in stochastic gradient descent. IEEE Transactions on Neural Networks and Learning Systems, 27(12), 2455-2465. doi:10.1109/TNNLS.2016.2582924

Downloads

Additional Files

Published

2024-10-31

Issue

Vol. 8 No. 2 (2024)

Section

Articles

License

Authors who publish with Cyberspace Journal agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).