Pengembangan Model Klasifikasi Citra Tanaman Hutan Melicope latifolia Berbasis CNN dengan Custom-Built Dataset

Authors

  • Resty Annisa Teknik Informatika Universitas Lampung
  • Mardiana Teknik Informatika Universitas Lampung
  • Martinus Teknik Mesin, Universitas Lampung
  • Renatha Amelia Manggala Putri Teknik Informatika Universitas Lampung
  • Cela Febriyani Teknik Informatika Universitas Lampung
  • Muhkito Afif Teknik Informatika Universitas Lampung

Keywords:

Melicope latifolia, Convolutional Neural Network (CNN), Tanaman, Hutan, Klasifikasi Citra

Abstract

Melicope latifolia, atau dikenal sebagai Pauh-Pauh, adalah tanaman hutan dari famili Rutaceae yang memiliki manfaat kesehatan sebagai anti-hepatitis C virus. Pengembangan model klasifikasi citra berbasis Convolutional Neural Network (CNN) dilakukan untuk mengenali berbagai bagian tanaman Melicope latifolia, yang saat ini masih kekurangan dataset. Dataset khusus yang dikumpulkan terdiri dari 400 citra berkualitas tinggi mencakup batang, buah, daun, dan ranting, dan dibagi menjadi data pelatihan, validasi, dan pengujian dengan rasio 70:10:20. Model CNN dilatih selama 200 epoch, dan evaluasi kinerja menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa model mencapai akurasi tertinggi sebesar 89,17%, dengan performa terbaik pada kelas "buah" yang memiliki precision dan recall sebesar 100%. Hasil ini menunjukkan potensi penerapan CNN dalam klasifikasi tanaman Melicope latifolia, meskipun diperlukan optimasi lebih lanjut, seperti augmentasi data dan penyesuaian parameter.

Downloads

Download data is not yet available.

References

I. Fitriyah, R. D. Saputri, T. S. Tjahjandarie, and M. Tanjung, “Aktivitas Antikanker Senyawa Kumarin Terisoprenilasi Dari Buah Melicope latifolia (DC.) T.G. Hartley,” J. Sains Dan Terap. Kim., vol. 15, no. 1, p. 1, Jan. 2021, doi: 10.20527/jstk.v15i1.8617.

“Santenan – Melicope latifolia (DC.) T.G.Hartley | Taman Husada Graha Famili.” Accessed: Oct. 29, 2024. [Online]. Available: https://www.tamanhusadagrahafamili.com/4304

A. Widyawaruyanti et al., “Alkaloid and benzopyran compounds of Melicope latifolia fruit exhibit anti-hepatitis C virus activities,” BMC Complement. Med. Ther., vol. 21, no. 1, p. 27, Dec. 2021, doi: 10.1186/s12906-021-03202-8.

S. A. Wagle, R. Harikrishnan, S. H. M. Ali, and M. Faseehuddin, “Classification of Plant Leaves Using New Compact Convolutional Neural Network Models,” Plants, vol. 11, no. 1, p. 24, Dec. 2021, doi: 10.3390/plants11010024.

A. M. Tama and R. C. N. Santi, “Klasifikasi Jenis Tanaman Hias Menggunakan Metode Convolutional Neural Network (CNN),” INTECOMS J. Inf. Technol. Comput. Sci., vol. 6, no. 2, pp. 764–770, Sep. 2023, doi: 10.31539/intecoms.v6i2.7002.

Z. Li, F. Liu, W. Yang, S. Peng, and J. Zhou, “A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects,” IEEE Trans. Neural Netw. Learn. Syst., vol. 33, no. 12, pp. 6999–7019, Dec. 2022, doi: 10.1109/TNNLS.2021.3084827.

T. Muhamad Hafiez, D. Iskandar, A. Wiranata S.K, and R. Fitri Boangmanalu, “Optimasi Klasifikasi Gambar Varietas Jenis Tomat dengan Data Augmentation dan Convolutional Neural Network,” Smart Comp Jurnalnya Orang Pint. Komput., vol. 11, no. 2, pp. 175–186, Apr. 2022, doi: 10.30591/smartcomp.v11i2.3524.

R. Setya Nugraha and A. Hermawan, “Optimasi Akurasi Metode Convolutional Neural Network Untuk Klasifikasi Kualitas Buah Apel Hijau,” J. Mnemon., vol. 6, no. 2, pp. 149–156, Oct. 2023, doi: 10.36040/mnemonic.v6i2.6730.

P. A. Nugroho, I. Fenriana, R. Arijanto, and M. Kom, “IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) PADA EKSPRESI MANUSIA,” vol. 2, no. 1, 2020.

A. Mahmood et al., “Deep Learning for Coral Classification,” in Handbook of Neural Computation, Elsevier, 2017, pp. 383–401. doi: 10.1016/B978-0-12-811318-9.00021-1.

Downloads

Published

2024-11-30

How to Cite

Annisa, R. ., Mardiana, M., Martinus, M., Putri, R. A. M. ., Febriyani, C. ., & Afif, M. . (2024). Pengembangan Model Klasifikasi Citra Tanaman Hutan Melicope latifolia Berbasis CNN dengan Custom-Built Dataset. JUKI : Jurnal Komputer Dan Informatika, 6(2), 174–181. Retrieved from https://ioinformatic.org/index.php/JUKI/article/view/704