Klasifikasi Spesies Anggrek Genus Phalaenopsis Berdasarkan Citra Sepal-petal Menggunakan Metode Convolutional Neural Network (cnn)
DOI:
https://doi.org/10.34818/eoe.v9i3.17999Abstrak
Abstrak Dalam studi ini, penulis akan membahas tentang bagaimana kita dapat membedakan Anggrek Phalenopsis Cornu-cervi dan Phaleonopsis Lamelligera menggunakan citra sepal dan petal dari anggrek tersebut. Penulis menggunakan Convolutional Neural Network (CNN) untuk membedakan dua Anggrek yang sudah disebutkan sebelumnya, dengan menggunakan arsitektur ResNet50. Tujuan dari studi ini adalah untuk membangun sebuah model Machine Learning terbaik untuk mengklasifikasikan Anggrek tersebut, dan menganalisa model yang telah dibuat. Untuk dataset yang digunakan diambil oleh penulis sendiri, yang terdiri dari 192 citra untuk masingmasing bunga, dengan resolusi 500x500. Dari hasil studi yang dilakukan, model berhasil mencapai akurasi, precision, recall, dan f1-score yang cukup baik, dengan menggunakan learning rate bernilai 0.0001. Kata Kunci: Anggrek, Phalaenopsis, Sepal-petal, Convolutional Neural Network, Citra, Resnet50
Referensi
[1] Dr. Ir. Livy Winata Gunawan, Budidaya Anggrek. Penebar Swadaya, 2005.
[2] E. Sandra, Membuat Anggrek Rajin Berbunga. PT AgroMedia Pustaka, 2006.
[3] Iswanto, Ir Hadi. Merawat & Membungakan Anggrek Phalaenopsis. AgroMedia, 2005.
[4] D. Widiastoety, Pembibitan dan Budidaya Anggrek. Balai Penelitian Tanaman Hias, 1997.
[5] N. Solvia, Budidaya Anggrek. Balai Penelitian Tanaman Hias, 2010.
[6] Putra, I. W. S. E. Klasifikasi citra menggunakan convolutional neural network (CNN) pada caltech 101. Diss. Institut Teknologi Sepuluh Nopember, 2016.
[7] M. M. Sani, S. B. Kutty, H. A. Omar and I. N. M. Isa, "Classification of orchid species using Neural Network," 2013 IEEE International Conference on Control System, Computing and Engineering, Mindeb, 2013, pp. 586-589, doi: 10.1109/ICCSCE.2013.6720033.
[8] S. Puttemans and T. Goedemé, "Visual detection and species classification of orchid flowers," 2015 14th IAPR International Conference on Machine Vision Applications (MVA), Tokyo, 2015, pp. 505-509, doi: 10.1109/MVA.2015.7153241.
[9] P. Samudre, P. Shende and V. Jaiswal, "Optimizing Performance of Convolutional Neural Network Using Computing Technique," 2019 IEEE 5th International Conference for Convergence in Technology (I2CT), Bombay, India, 2019, pp. 1-4, doi: 10.1109/I2CT45611.2019.9033876.
[10] Xinqi Chen & Jeffrey J. Wood (2009). Phalaenopsis
[11] Direktorat Perbenihan Hortikultura. 2012. Anggrek Species Indonesia. Jakarta: Kementrian Pertanian Republik Indonesia
[12] KK Ludy, dan H Fitri. 2021. Anggrek Phalaenopsis lamelligera Sumberdata Genetik Kalimantan.
[13] Valueva, M.V.; Nagornov, N.N.; Lyakhov, P.A.; Valuev, G.V.; Chervyakov, N.I. (2020). "Application of the residue number system to reduce hardware costs of the convolutional neural network implementation". Mathematics and Computers in Simulation. Elsevier BV. 177: 232–243.
[14] Ian Goodfellow and Yoshua Bengio and Aaron Courville (2016). Deep Learning. MIT Press. p. 326.
[15] Zhang, Wei (1988). "Shift-invariant pattern recognition neural network and its optical architecture". Proceedings of Annual Conference of the Japan Society of Applied Physics.
[16] Zhang, Wei (1990). "Parallel distributed processing model with local space-invariant interconnections and its optical architecture". Applied Optics. 29 (32): 4790–7.
[17] Diederik P. Kingma, Jimmy Ba (2015). Adam: A Method for Stochastic Optimization
[18] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun (2015). Deep Residual Learning for Image Recognition
