IDENTIFIKASI JENIS TUMBUHAN BERDASARKAN CITRA DAUN MENGGUNAKAN 19 LAYERS DEEP CONVOLUTIONAL NEURAL NETWORK (VGG-19)

Setyawan, Roby (2022) IDENTIFIKASI JENIS TUMBUHAN BERDASARKAN CITRA DAUN MENGGUNAKAN 19 LAYERS DEEP CONVOLUTIONAL NEURAL NETWORK (VGG-19). Undergraduate thesis, UNIVERSITAS MUHAMMADIYAH JEMBER.

	Text 1. Pendahuluan.pdf Download (576kB)
	Text 2. Abstrak .pdf Download (24kB)
	Text 3. BAB I.pdf Download (142kB)
	Text 4. BAB II.pdf Restricted to Repository staff only Download (724kB) | Request a copy
	Text 5. BAB III.pdf Restricted to Repository staff only Download (283kB) | Request a copy
	Text 6. BAB IV.pdf Restricted to Repository staff only Download (342kB) | Request a copy
	Text 7. BAB V.pdf Restricted to Repository staff only Download (20kB) | Request a copy
	Text 8. DAFTAR PUSTAKA.pdf Download (22kB)
	Text 9. LAMPIRAN.pdf Restricted to Repository staff only Download (179kB) | Request a copy

Abstract

Tumbuhan merupakan salah satu makhluk hidup yang memiliki peran dalam kehidupan sehari hari manusia, contohnya seperti pada buku yang ditulis oleh Harjana yang berjudul 262 tumbuhan obat & khasiatnya. Dari buku tersebut dijelaskan bagaimana dampak tumbuhan di kehidupan manusia. Dengan banyaknya jenis tumbuhan diperlukan memori kuat untuk mengingat jenis tumbuhan dan manfaatnya. Convolutional Neural Network (CNN) merupakan salah satu metode yang banyak digunakan untuk klasifikasi citra, tidak terkecuali citra daun tumbuhan. CNN merupakan metode Deep Learning yang digunakan oleh komputer untuk mengolah suatu objek berbentuk gambar atau audio dalam bentuk dua dimensi, metode ini di dapatkan dari perkembangan MLP (Multi Layer Peceptron). Penelitian ini menggunakan metode VGG-19 yang dikembangkan oleh Visual Geometry Group dari Universitas Oxford dengan 16 convolution layer + relu, 5 pooling layer dan fully connected layer serta melibatkan dataset citra daun dari leafsnap yang diukur akurasi, sensitivitas dan spesifisitas. Berdasarkan pelatihan menggunakan unseen data diperoleh nilai akurasi keseluruhan adalah 85,4% dan dari masing masing class dengan presentase minimum di angka 96.36% dan presentase maksimal yaitu 100% dilanjutkan rata rata akurasi dari masing masing class, yaitu 98,72%. Selanjutnya presentase sensitivitas 85,45% dengan nilai terendah pada masing masing class adalah 42.8% dan nilai maksimum 100% yang memiliki rata rata sensitivitas per kelas 89,72%. Dan presentase spesifitas adalah 99,3%, dan untuk masing masing class nilai minimum yang didapatkan adalah 97.17% serta presentase maksimal 100% dengan rata rata per kelas 99,32%.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	CNN, Klasifikasi, VGG-19
Subjects:	000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
Divisions:	Faculty of Engineering > Department of Informatics Engineering (S1)
Department:	S1 Teknik Informatika
Depositing User:	Roby Setyawan
Contributors:	Contribution Contributor Name NIDN/NIDK Thesis advisor Nilogiri, Agung nidn0030037701 Thesis advisor A’yun, Qurrota nidn0703069002
Contact Email Address:	robysetyaw@gmail.com
Date Deposited:	23 Feb 2022 01:48
Last Modified:	23 Feb 2022 01:48
URI:	http://repository.unmuhjember.ac.id/id/eprint/13156

Actions (login required)

View Item