Klasifikasi Tanaman Anggrek Menggunakan Metode CNN Berbasis Web Django
DOI:
https://doi.org/10.29407/xzcb0k75Keywords:
anggrek, klasifikasi citra, convolutional neural networkAbstract
Anggrek merupakan salah satu tanaman hias yang banyak dibudidayakan. Tiap genus anggrek mempunyai cara budidaya yang berbeda, sehingga para pembudidaya anggrek yang baru memulai perlu mengetahui genus dari anggrek yang akan dibudidayakannya terlebih dahulu. Namun tidak sedikit pemula yang mencoba membudidayakan anggrek tanpa ada pengetahuan dan pengalaman yang cukup, sehingga anggrek yang dibudidayakan tidak tumbuh dan berbunga dengan optimal. Citra yang dapat diklasifikasikan oleh sistem hanya citra 5 genus tanaman anggrek yang umum dibudidayakan, yaitu Cattleya, Dendrobium, Oncidium, Phalaenopsis dan Vanda. Klasifikasi citra genus tanaman anggrek menggunakan teknologi Deep Learning - Convolutional Neural Network (CNN) dapat membantu pembudidaya anggrek pemula dalam mengidentifikasi genus tanaman anggrek. Dalam penelitian ini akan dibuat sebuah model untuk klasifikasinya. Model tersebut akan diimplementasikan menggunakan framework django untuk mengupload gambar. Dataset yang digunakan pada penelitian ini didapatkan dari website github.com. Semua proses klasifikasi ini dilakukan melalui skema training dan testing, dimana tahap training menghasilkan sebuah model CNN beserta bobot (weight) yang telah diperbarui (updated), lalu tahap testing menggunakan model tersebut untuk diujikan terhadap data citra yang baru. Hasilnya bisa mengklasifikasi tanaman anggrek menggunakan model training yg sudah dilatih berupa anggrek_model.H5 yang sudah diimplementasikan di framework django dan mendapatkan hasil akurasi sebesar 99%.
Downloads
References
K. Husodo, C. Lubis and Z. Rusd, "KLASIFIKASI TANAMAN ANGGREK MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VGG-16," JURNAL SISTEM INFORMASI DAN TEKNIK KOMPUTER, vol. 8, no. 2, pp. 253-258, 2023.
M. R. R. Allaam and A. T. Wibowo, "Klasifikasi Genus Tanaman Anggrek Menggunakan Metode Convolutional Neural Network (CNN)," e-Proceeding of Engineering, vol. 8, no. 2, pp. 3150-3179, 2021.
D. D. T. Amelia, J. Sulaksono and D. W. Widodo, "Sistem Pendeteksi Kekerasan Berbasis Cnn (Convolutional Neural Network)," PROSIDING SEMINAR NASIONAL TEKNOLOGI DAN SAINS, vol. 2, no. 1, pp. 457-462, 2023.
D. Saputra and R. F. Aji, "ANALISIS PERBANDINGAN PERFORMA WEB SERVICE REST MENGGUNAKAN FRAMEWORK LARAVEL, DJANGO DAN RUBY ON RAILS UNTUK AKSES DATA DENGAN APLIKASI MOBILE," Bangkit Indonesia, vol. 2, no. VII, pp. 17-22, 2018.
J. Vicky, F. Ayu and B. Julianto, "Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN," PROSIDING SEMINAR NASIONAL TEKNOLOGI DAN SAINS, vol. 2, no. 1, pp. 155-162, 2023.
Purwanto and Sumardi, "Perancangan Klasifikasi Tanaman Herbal Menggunakan Transfer Learning pada Algoritma Convolutional Neural Network (CNN)," JURNAL ILMIAH INFOKAM, vol. XVIII, no. 2, pp. 105-118, 2022.
J. Vicky, F. Ayu and B. Julianto, "Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN," PROSIDING SEMINAR NASIONAL TEKNOLOGI DAN SAINS, vol. 2, no. 1, pp. 155-162, 2023.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 MOCHAMMAD FEDRO FIRDAUS, Yodhi Pratama Iswoyo, Yansyah Nurullah Ahmadi
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
