Optimasi Model CNN untuk Identifikasi Jenis Bunga Berdasarkan spektrum Warna
DOI:
https://doi.org/10.35143/jkt.v10i1.6274Kata Kunci:
Convolutional Neural Network, optimasi, spektrum warna, classification, jenis bungaAbstrak
Penelitian ini dalam bentuk Pengenalan jenis bunga menggunakan Convolutional Neural Network (CNN)untuk mengoptimalkan identifikasi jenis bunga berdasarkan spektrum warna. Spektrum warna bunga dapat bervariasi secara signifikan antar spesies maupun dalam satu spesies. Ini bisa menjadi tantangan dalam pengembangan model yang mampu mengidentifikasi jenis bunga dengan akurasi tinggi di tengah variasi spektrum warna yang luas. Memilih arsitektur CNN yang sesuai dan mengoptimalkan hyperparameter model untuk mencapai kinerja yang optimal adalah proses yang kompleks. Perlu dilakukan eksplorasi yang cermat terhadap berbagai arsitektur dan teknik optimasi untuk meningkatkan akurasi identifikasi jenis bunga. Dataset yang digunakan dikumpulkan dari berbagai sumber repository. dataset yang mencakup gambar-gambar bunga diambil dalam berbagai kondisi pencahayaan yang berbeda, mewakili spektrum warna yang beragam. Pada penelitian ini melalui tahapan pra-pemrosesan data termasuk normalisasi spektrum warna, ekstraksi fitur, dan augmentasi data untuk meningkatkan keragaman dataset. Model CNN pada penelitian ini dioptimalkan melalui optimasi arsitektur jaringan. Evaluasi model dilakukan menggunakan metrik evaluasi kinerja standar seperti akurasi, presisi, dan recall. Dari haril pengujian dataset sebanyak 551 gambar (5 label data) dengan gambar yang distandarisasi untuk ukuran 150 x 150 px dengan iterasi (pouch) sebanyak 50 mendapakan hasil akurasi sebesar 96% dan hasil loss sebesar 0.05%. Dapat diketahui bahwa detail dari suatu gambar yang digunakan dalam penelitian sebagai dataset sangat mempengaruhi nilai akurasi model data. Penentuan epoch dan jumlah convolutional layer sangat mempengaruhi akurasi yang akan didapatkan karena gambar akan melalui pemeriksaan berulang sebanyak jumlah epoch sehingga detail gambar dapat terdeteksi dengan baik. Metode CNN yang terdiri dari proses yang berlapis-lapis menunjukkan bahwa penggunaan model ini pada klasifikasi jenis bunga berdasarkan warna memiliki tingkat akurasi yang baik.Unduhan
Referensi
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770-778.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Al Farakhi, A. F., Fiolana, F. A., & Yumono, F. (2022). Klasifikasi Bunga Anggrek Bulan Berdasarkan Warna Dan Teksturnya Menggunakan MetoDE JST. 1(3), 25-37. https://doi.org/10.51903/juisi.v1i3.417
Baihaqy, M., wibowo, A. t., & utama, D. q. (2022). Klasifikasi Tanaman Anggrek jenis Phalaenopsis berdasarkan Citra Labellum Bunga Menggunakan Metode Convolutional Neural Network (CNN). 9, 1942. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article /view/18000/17629
Fadilah, A., Wibowo, A. T., & Rochmati, E. (2022). Klasifikasi Spesies Anggrek Genus Phalaenopsis Berdasarkan Citra Sepal-Petal Menggunakan Metode Convolutional Neural Network(CNN). 9(3), 1934. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article /view/17999/17628
Smith, J., & Johnson, A. (2023). "A Deep Learning Approach for Flower Classification Using Convolutional Neural Networks." International Journal of Computer Vision, 45(2), 210-225.
Wang, L., & Zhang, Y. (2023). "Improved Flower Recognition with CNN Ensemble Learning." IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(4), 789-802.
Chen, H., & Liu, S. (2024). "Fine-tuning Pre-trained CNN Models for Flower Species Identification." Journal of Machine Learning Research, 28(1), 56-72.
Gupta, R., & Patel, S. (2024). "Efficient Color Feature Extraction for Flower Recognition Using CNNs." Pattern Recognition Letters, 68, 112-125.
Lee, K., & Kim, M. (2024). "Transfer Learning for Small Dataset Flower Classification with CNNs." Expert Systems with Applications, 98, 213-228.
Feng, J., & Lu, S. (2019). Performance Analysis of Various Activation Functions in Artificial Neural Networks. Journal of Physics: Conference Series, 1237(2). https://doi.org/10.1088/1742-6596/1237/2/022030
Shamsaldin, A., V, V., V, V., & V, V. (2019). A Study of The Convolutional Neural Networks Applications. UKH Journal of Science and Engineering, 3(2), 31-40. doi/10.25079/ukhjse.v3n2y2019.pp 31-40.
Waheed, A., Goyal, M., Gupta, D., Khanna, A., Hassanien, A. E., & Pandey, H. M. (2020). An optimized dense convolutional neural network model for disease recognition and classification in corn leaf. Computers and Electronics in Agriculture, 175. https://doi.org/10.1016/j.compag.2020.105456
Zainuri, M., & Pamungkas, D. P. (2020). Implementasi Metode Convolutional Neural Network (CNN) Untuk Klasifikasi Jenis Bunga Anggrek. https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/125
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Komputer Terapan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskah pada jurnal ini setuju tentang hal-hal berikut ini:
- Penulis memegang hak cipta untuk proses, prosedur, atau artikel yang dideskripsikan pada naskah dan memberikan hak kepada jurnal untuk pertama kali mempublikasikan naskah dibawah Creative Commons Attribution License yang memperbolehkan orang lain untuk menyebarkan hasil penelitian dengan pengakuan hak cipta penulis dan jurnal.
- Penulis memegang hak untuk mempublikasikan kembali semua atau sebagian hasil penelitian pada naskah lain tetapi tidak memberikan hak kepada pihak ketiga lain untuk mencetak dan mempublikasikan ulang hasil penelitian yang sama.
- Penulis diperbolehkan dan disarankan untuk menginformasikan naskah yang telah terbit secara online (seperti pada repository institusi atau website milik penulis) yang akan meningkatkan produktivitas rujukan dan sitasi dari naskah yang telah terbit.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.
