Implementasi Metode Convolutional Neural Network (CNN) Untuk Klasifikasi Jenis Bunga Ang
DOI:
https://doi.org/10.29407/inotek.v4i2.125Abstract
Bunga merupakan komponen estetika yang menjadi bagian dari kehidupan manusia. Di Indonesia, terdapat banyak sekali tanaman bunga salah satunya adalah bunga anggrek. Bunga anggrek adalah salah satu tanaman yang memiliki anggota jenis terbanyak didunia. Dengan banyaknya spesies yang dimiliki oleh bunga ini maka cara membedakannya pun juga akan sulit, karena banyak diantara jenisnya yang mempunyai bentuk ataupun corak kelopak bunga yang hampir sama. Dari masalah ini, maka dibuatlah aplikasi yang dapat mengidentifikasi jenis bunga anggrek dengan citra bunga tersebut. Convolutional Neural Network (CNN) merupakan salah satu jenis algoritma Deep Learning yang dapat menentukan objek apa saja dalam sebuah gambar, mengenali dan membedakan antara satu gambar dengan yang lainnya. Berdasarkan skenario pengujian yang dilakukan, sistem identifikasi citra bunga anggrek menghasilkan akurasi probabilitas sebesar 0.872.
Keywords:
Anggrek, CNN, Deep Learning, Klasifikasi##plugins.themes.default.displayStats.downloads##
References
Pamungkas, D. P. 2019. Ekstraksi Citra Menggunakan Metode GLCM dan KNN Untuk Identifikasi Jenis Anggrek (Orchidaceae), Jurnal Innovation In Research Of Informatics, Vol.1 No.2.
Suartika, I. W. 2016. Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101. Jurnal Teknik ITS Vol. 5 No. 1.
Downloads
Published
Issue
Section
License
Copyright (c) 2020 PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants 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 acknowledgment of the work’s authorship and initial publication in this journal.
- 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 acknowledgment of its initial publication in this journal.
- 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.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
