Klasifikasi Jenis Tanaman Rempah Rhizoma Zingiberaceae dengan Metode CNN dan VGG 19
DOI:
https://doi.org/10.51179/tika.v9i1.2557Kata Kunci:
Zingiberaceae, optimizer, Adam, SGD, VGG19Abstrak
Kebutuhan untuk mengidentifikasian jenis-jenis tanaman rempah sangat penting untuk memperoleh tingkat akurasi secara akurat dan efisien. Peneliti sebelumnya telah menunjukkan keberhasilan metode CNN ini dalam klasifikasi berbagai species tanaman rempah. Namun, pada penelitian ini hanya mempelajari tiga jenis tanaman rempah Zingiberaceae (juga dikenal sebagai jahe-jahean): jahe, kunyit, dan lengkuas. Penelitian sebelumnya tentang jenis tanaman ini belum banyak dilakukan. Untuk memastikan akurasi label, penelitian ini membandingkan kinerja dua optimizer CNN yang populer, Adam dan SGD. Dataset gambar tanaman rempah yang diperoleh dari situs web internet kemudian di diagnosis oleh ahli. Untuk mempersiapkan pelatihan model CNN dengan VGG19, data gambar akan melalui proses pre-processing. Arsitektur VGG19 yang telah dilatih sebelumnya akan digunakan sebagai dasar untuk klasifikasi tanaman rempah. Akurasi klasifikasi digunakan untuk menilai kinerja model. Dan temuan studi menunjukkan bahwa pada klasifikasi tanaman rempah penggunaan arsitektur VGG19 yang telah terlatih sebelumnya digunakan memberikan hasil penelitian yang juga menunjukkan bahwa metode CNN arsitektural berhasil mengklasifikasi jenis tanaman rempah Zingiberaceae. Secara konsisten, penggunaan optimizer Adam menghasilkan akurasi yang lebih tinggi dibandingkan SGD. Ini menunjukkan bahwa optimizer Adam mungkin lebih efektif dalam mengoptimalkan parameter model VGG19 untuk klasifikasi tanaman rempah
Unduhan
Referensi
Badan Pusat Statistik (BPS), “Statistik Indonesia-Statistical Yearbook of Indonesia 2023”.
Li J., “Geographic Distribution and Environmenttal Drivers of Global Amphibian Richness,” Diversity and Distribution, vol. 26, no. 7, hlm. 784–796, 2020.
Hariyadi H., “Biodiversity of Plants in Indonesia: Science and Conservation,” Indonesian Journal of Conversation, vol. 3, no. 2, hlm. 67–82, 2019.
FMIPA, “Sebanyak 80 Persen Tanaman Obat Dunia Ada di Indonesia,” IPB University, Bogor, 27 Juli 2020.
Syahril M., “Permasalahan klasifikasi Zingiberaceae di Indonesia: Sebuah tinjauan,” Jurnal Biodiversitas, vol. 21, no. 1, hlm. 1–10, 2020.
Ardiyanti M., Widodo E. S., dan Santosa E., “Integrating Taxonomy, Phylogeny, and Conservation of Zingiberaceae in Indonesia: A Case Study,” Biodiversitas, vol. 20, no. 6, hlm. 1688–1695, 2019.
Kessler P. W. F. B. dan Haynes E. R. S., “The Economic Botany of the Zingiberaceae,” Economy Botany, vol. 73, no. 4, hlm. 375–393, 2019.
Utami N. F., Putri D. W. A., dan Syahril M., “Classification of Zingiberaceae Species in West Java Using Convolutional Neural Network (CNN),” dalam IOP Conference Series: Earth and Environmental Science, IOP Publishing, 2022, hlm. 012058.
Putri D. W. A., Syahril M., dan Utami N. F., “Classification of Zingiberaceae Species in Indonesia Using Convolutional Neural Network (CNN),” dalam Journal of Physics, IOP Publishing, 2023, hlm. 012053.
Wulandari C., Handayani D., dan Supriyadi S., “Klasifikasi Bumbu Dapur dan Rempah Berdasarkan Warna dan Tekstur Menggunakan Convolutional Neural Network (CNN),” Jurnal Sains dan Teknologi Universitas Islam Indonesia, vol. 21, no. 1, hlm. 78–85, 2020.
LeCun Y., Bengio Y., dan Hinton G., “Deep learning for computer vision: A survey,” In arXiv preprint arXiv, hlm. 14–15, 2015.
Lester Mackey, Volodymyr Mnih, dan Geoffrey Hinton, “On the Variance of Stochastic Gradient Descent,” Journal of Machine Learning Research, no. 1, hlm. 1–22, 2019.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, dan Jian Sun, “A Comparative Analysis of Optimization Algorithms for Deep Learning,” IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), vol. 37, no. 5, hlm. 1026–1044, 2016.
Z. Zhang, “Improved Adam Optimizer for Deep Neural Networks,” dalam 2018 IEEE/ACM 26th International Symposium on Quality of Service (IWQoS), IEEE, Jun 2018, hlm. 1–2. doi: 10.1109/IWQoS.2018.8624183.
F. Chollet, “Keras: The Python Deep Learning Library,” Keras.Io, 2015.
Verma V. K., Thakur A., dan Kumar M., “Sign Language Recognition Using Convolution Neural Networkd.,” International Journal Computer Applications, vol. 134, no. 14, hlm. 31–35, 2016.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Haris Abdullah Firmasnsyah, Kurnaiwan Muchamad, Citra Nurina Prabiantissa, Syahri Muharom
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
