Page .
CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Computer Based Information System Journal ISSN (Prin.
: 2337-8794 | E- ISSN : 2621-5292 web jurnal : http://ejournal.
id/index.
php/cbis SISTEM PENGENAL JENIS TUMBUHAN MELALUI DAUN
MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL
NETWORK
Muhammad Hafidz Nur Rachman1.
Harfa Sabri Ubaid2.
Virgiawan Sanria3.
Universitas Singaperbangsa Karawang.
Indonesia.
INFORMASI ARTIKEL
A B S T R A C T
Diterima Redaksi: Agustus 2024 Diterbitkan Online: September 2024 Penelitian ini mengembangkan sebuah sistem pengenal jenis tumbuhan melalui analisis gambar daun dengan memanfaatkan algoritma Convolutional Neural Network (CNN).
Sistem ini dirancang untuk mengenali dua jenis tumbuhan, yaitu pepaya dan sirih, menggunakan dataset yang terdiri dari 700 gambar daun .
gambar daun pepaya dan 350 gambar daun siri.
Proses penelitian meliputi pengumpulan data gambar daun, preprocessing data untuk menyesuaikan ukuran dan format gambar, serta pelatihan model CNN untuk klasifikasi jenis daun.
Hasil eksperimen menunjukkan bahwa model CNN yang dikembangkan memiliki tingkat akurasi yang tinggi dalam membedakan antara daun pepaya dan daun sirih.
Sistem ini diharapkan dapat berkontribusi dalam bidang botani dan pertanian dengan memberikan alat yang efisien untuk identifikasi tumbuhan berdasarkan karakteristik morfologi daun.
KATA KUNCI
Pengenalan jenis tumbuhan.
Convolutional Neural Network (CNN), klasifikasi gambar daun, pepaya, sirih.
KORESPONDENSI
E-mail:
2110631170029@student.
2110631170020@student.
2110631170040@student.
Latar Belakang Identifikasi jenis tumbuhan merupakan salah satu aspek penting dalam bidang botani dan Pengenalan tumbuhan yang akurat dapat membantu dalam berbagai aplikasi, termasuk konservasi keanekaragaman hayati, pengelolaan tanaman, dan penelitian ilmiah.
Secara tradisional, identifikasi tumbuhan dilakukan oleh ahli botani yang memerlukan waktu dan keahlian khusus untuk mengenali karakteristik morfologi setiap jenis tumbuhan.
Namun, perkembangan teknologi pengolahan citra dan kecerdasan buatan menawarkan http://ejournal.
id/index.
php/cbis pendekatan baru yang lebih efisien dan dapat Convolutional Neural Network (CNN) adalah salah satu metode dalam bidang deep learning yang telah terbukti efektif dalam berbagai tugas klasifikasi gambar, termasuk pengenalan objek dan wajah.
CNN mampu mengekstraksi fitur-fitur penting dari gambar secara otomatis tanpa memerlukan ekstraksi fitur manual yang kompleks.
Oleh karena itu.
CNN mengembangkan sistem pengenal jenis tumbuhan melalui analisis gambar daun.
CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Penelitian ini fokus pada pengembangan sistem pengenal jenis tumbuhan yang dapat mengidentifikasi dua jenis tumbuhan spesifik, yaitu pepaya (Carica papay.
dan sirih (Piper Kedua jenis tumbuhan ini dipilih karena memiliki karakteristik morfologi daun yang cukup berbeda, sehingga menjadi kasus uji yang baik untuk sistem pengenalan berbasis gambar.
Dataset yang digunakan dalam penelitian ini terdiri dari 700 gambar daun, masing-masing 350 gambar daun pepaya dan 350 gambar daun sirih.
Gambar-gambar tersebut dikumpulkan dan diproses untuk memastikan konsistensi dalam ukuran dan format sebelum digunakan untuk melatih model CNN.
Tujuan utama penelitian ini adalah untuk menguji keakuratan dan efektivitas model CNN dalam mengklasifikasikan jenis daun pepaya dan sirih, serta untuk mengevaluasi potensi aplikasi sistem ini dalam skenario nyata.
Hasil dari penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam bidang botani dan pertanian, dengan menyediakan alat yang dapat membantu para peneliti dan petani dalam mengidentifikasi tumbuhan dengan cepat dan akurat.
Selain itu, metode yang dikembangkan juga dapat diterapkan untuk jenis tumbuhan lainnya, memperluas manfaat teknologi pengenalan gambar dalam konservasi dan pengelolaan sumber daya alam.
II.
Kajian Literatur Deep Learning Deep Learning merupakan salah satu cabang dari machine learning yang menggunakan model neural network dengan banyak lapisan .
untuk mempelajari representasi data yang kompleks secara hierarkis.
Deep Learning telah berhasil dalam berbagai tugas, termasuk pemrosesan bahasa alami, dan banyak lagi.
Keunggulan utama dari Deep Learning adalah kemampuannya untuk mengekstraksi fitur-fitur yang relevan secara otomatis dari data, tanpa memerlukan ekstraksi fitur manual yang rumit.
Convolutional Neural Network
(CNN)
Convolutional Neural Network (CNN) adalah jenis arsitektur Deep Learning yang dirancang khusus untuk mengolah data spasial seperti gambar.
CNN terdiri dari lapisan-lapisan konvolusi yang mampu mengekstraksi fitur-fitur http://ejournal.
id/index.
php/cbis Page .
lokal dari gambar secara bertahap.
Kemudian, fitur-fitur yang diekstraksi ini digunakan untuk melakukan klasifikasi atau regresi.
CNN telah menjadi standar de facto dalam pengolahan gambar dan telah digunakan secara luas dalam berbagai aplikasi, termasuk pengenalan objek, deteksi wajah, dan segmentasi gambar.
Analisis Gambar Daun Analisis gambar daun adalah salah satu bidang dalam ilmu komputer dan botani yang bertujuan untuk mengidentifikasi dan memahami karakteristik morfologi daun.
Daun adalah salah satu organ tumbuhan yang memiliki pola unik dan bervariasi antar spesies.
Dengan menganalisis struktur dan pola dari gambar daun, kita dapat mengidentifikasi jenis tumbuhan dengan akurasi yang tinggi.
Analisis gambar daun telah digunakan dalam berbagai aplikasi, termasuk identifikasi tanaman, konservasi keanekaragaman hayati, dan pemantauan lingkungan.
Pengenalan Jenis Tumbuhan melalui Daun Pengenalan jenis tumbuhan melalui daun merupakan salah satu aplikasi dari analisis mengklasifikasikan jenis tumbuhan berdasarkan ciri-ciri morfologi daunnya.
Karena setiap jenis tumbuhan memiliki pola daun yang unik, pengenalan jenis tumbuhan melalui daun dapat pengolahan citra dan machine learning.
Dalam konteks ini, penggunaan CNN telah terbukti mengklasifikasikan jenis tumbuhan berdasarkan gambar daun mereka.
Metodologi Tahapan Penelitian Metode yang digunakan melalui beberapa tahapan kerangka kerja agar penelitian ini lebih terstruktur dan teratur.
CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Page .
Gambar 1.
Grapik Proses Training Model Studi Literatur Pada penelitian ini, penulis melakukan studi literatur dengan mencari sumber dan teori yang relevan dengan permasalahan yang ditemukan.
Langkah ini dilakukan agar dapat membantu dalam menyelesaikan permasalahan dalam penelitian ini.
Analisis Kebutuhan Tujuan dari tahap analisis adalah untuk memahami kebutuhan dari sistem dan menentukan kebutuhan atau kondisi yang harus dipenuhi oleh sistem.
Berikut adalah analisis kebutuhan berdasarkan pengguna dan alat yang A Menggunakan Komputer A Menggunakan Anaconda Navigator A Menginput data citra A Melihat tahapan perubahan gambar A Melihat hasil klasifikasi Perancangan Sistem Untuk rancangan dan proses pada system deteksi pengenalan jenis daun bisa dimodelkan menggunakan flowchart sesuai pada gambar dibawah ini:
http://ejournal.
id/index.
php/cbis Gambar 2.
Proses Sistem IV.
Pembahasan Pengujian yang dilakukan pada sistem ini merupakan pengujian terhadap perangkat keras dan juga perangkat lunak yang sudah saling terhubung, tujuan dari pengujian ini adalah untuk mengetahui apakah sistem sudah berjalan dengan baik dan sesuai yang diharapkan berikut tahapan yang dilakukan pad pengujian ini Pengumpulan Data Data yang digunakan ialah Daun Pepaya dan Daun Sirih yang masing masing jenis berjumlah 350 gambar yang diambil menggunakan Kamera Smartphone Itel s23 dengan cara di Pemotretan beruntun sambil memutar layar, yang diambil pada waktu siang hari.
Sehingga total gambar terdapat 700 Gambar.
Preprocessing data Data Citra yang dikumpulkan sebelumnya diubah ukuran pixelnya menjadi 32 x 32 pixel untuk konsistensi dan efektifan.
Membagi Dataset Lalu membagi Membagi dataset menjadi subset pelatihan(Trainin.
dan Pengujuan .
dengan ini memastikan evaluasi model menjadi lebih akurat Membangun Arsitektur CNN Tahapan selanjutnya membangun Model yang dimana terdapat beberapa yang nantinya citra yang dimasukan kedalam model akan melakukan beberapa tahapan yaitu :
Convulation Conv2D Page .
CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Citra yang telah dipreprocessing pada proses sebelumnya dilakukan Convulation yang dimana melakukan mengekstrak fitur pada cutra yang diinputkan output dari setiap lapisan konvolusi adalah feature map, yang merupakan representasi dari fitur yang diekstraksi oleh filter.
Polling Pada lapisan ini dilakukan mengurangi dimensi spasial dari feature map yang dihasilkan oleh lapisan konvulasi sambil mempertahankan fitur-fitur penting.
Ini dilakukan dengan mengambil nilai maksimum dari area-area kecil dalam feature map.
Dropout Setelah melewati lapisan polling masuk ke lapisan droput untuk mencegah overfitting dengan secara acak menonaktifkan sejumlah neuron selama pelatihan.
Flatten Lalu pada lapisan flatten mengubah array multidimensi menjadi vektor satu dimensi yang inputnya dari lapisan polling menjadi format yang dapat diterima oleh lapisan-lapisan dense .
ully connecte.
yang biasanya terletak di bagian akhir dari model.
Dense Output dari lapisan Flatten dimasukan kedalama Lapisan dense untukmengekstraksi fitur-fitur abstrak dari input yang telah diproses sebelumnya, dan memungkinkan model untuk membuat prediksi atau klasifikasi akhir berdasarkan fitur-fitur tersebut.
Melatih Model Setelah membangun model maka kita melakukan pelatihan model,yang dimana pelatihan berlangsung selama 100 epoch dan dalam 1 iterasi memperbarui bobot sebanyak 32 Gambar 4.
Grapik Proses Training Model http://ejournal.
id/index.
php/cbis Bisa diliat pada gambar bahwa model belajar dengan sngat cepat dan memiliki stabil dan nilai yang tinggi berikut keterangannya :
Gambar 5.
Keterangan setiap beberapa Iterasinya yang dimana hasil dari pelatihan model menghasilkan yang sangat baik yaitu Memiliki Akurasi 100% dengan Loss 5.
Evaluasi Model Setelah melakukan Pelatihan model maka melakukan Evaluasi Model terhadap Dataset pada masing masing kelas Gambar 6.
Evaluasi model yang bisa dilihat pada gambar diatas menunjukan performa yang sempurna pada dataset uji dengan nilai precision, recall, dan F1score yang semuanya 1.
00, baik untuk kelas "Daun Sirih" maupun "Pepaya".
Akurasi keseluruhan juga 100%, yang berarti model berhasil memprediksi semua contoh dengan Macro average dan weighted average juga menunjukkan nilai sempurna, menegaskan bahwa model ini sangat efektif dan seimbang dalam klasifikasinya tanpa ada indikasi bias terhadap kelas tertentu.
Pengujian Model Setelah melakukan Pelatihan Model, maka dilakukan Pengujian Model yang dimana proses pengujian ini menggunakan 2 gambar yang masing masing 1 gambarnya ialah daun sirih dan juga daun pepaya.
Page .
CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Tak lupa, penulis berterima kasih kepada keluarga dan teman-teman yang selalu memberikan dukungan dan doa sehingga penulis dapat menyelesaikan penelitian ini dengan baik.
Gambar 7.
Pengujian Model Pada pengujian ini menunjukan hasil yang sesuai dengan jenis tanaman yang berarti pengujian ini berhasil dilakukan.
Kesimpulan Penelitian ini mengembangkan sistem pengenal jenis tumbuhan melalui analisis gambar daun menggunakan Convolutional Neural Network (CNN) untuk mengidentifikasi pepaya dan sirih.
Dengan dataset berisi 700 gambar daun .
pepaya dan 350 siri.
, model CNN dilatih dan berhasil mencapai tingkat akurasi yang tinggi dalam membedakan antara kedua jenis tumbuhan Hasil eksperimen menunjukkan keefektifan model CNN dalam klasifikasi gambar daun dengan nilai akurasi yang memuaskan.
Sistem ini diharapkan dapat memberikan kontribusi signifikan dalam bidang botani dan pertanian dengan menyediakan alat yang efisien untuk identifikasi tumbuhan berdasarkan morfologi daun.
Ucapan Terima Kasih Penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang telah memberikan dukungan dan bantuan selama proses penelitian ini.
Pertama, penulis mengucapkan terima kasih kepada Pak Chaerur Rozikin.
Kom selaku pembimbing yang telah memberikan arahan, bimbingan, dan motivasi yang tiada henti sehingga penelitian ini dapat diselesaikan dengan Terima kasih juga kepada Universitas Singaperbangsa Karawang menyediakan fasilitas dan sarana yang diperlukan selama penelitian ini berlangsung.
http://ejournal.
id/index.
php/cbis Akhir kata, penulis berharap penelitian ini dapat memberikan manfaat dan kontribusi yang positif dalam perkembangan ilmu pengetahuan, khususnya dalam bidang pengenalan jenis tumbuhan menggunakan teknologi pengolahan citra dan pembelajaran mesin.
Daftar Pustaka