Lara Adrosa Marjuita: Tugas Machine Learning

Referensi :

Rahmadewi, Reni, dkk. IDENTIFIKASI JENIS TUMBUHAN MENGGUNAKAN CITRA DAUN BERBASIS JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS). Jurnal Media Elektro. Vol 07 (2). ISSN : 2252-6692.Universitas Singaperbangsa Karawang : Karawang.2018.

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

5. Hasil dan Pembahasan

Identifikasi Jenis Tumbuhan Menggunakan Citra Daun
Berbasis JST

1. Judul [Kembali]

Judul dari artikel yang dibahas adalah : IDENTIFIKASI JENIS TUMBUHAN MENGGUNAKAN CITRA DAUN BERBASIS JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS).

2. Abstrak [Kembali]

Salah satu teknik yang mempelajari dan mengidentifikasi jenis tumbuhan adalah teknik pengolahan citra, yang memanfaatkan metode JST (Jaringan Saraf Tiruan dalam mengidentifikasinya). Identifikasi dengan menggunakan JST ini menggunakan 4 jenis nama daun seperti i daun bougenvillea, daun Geranium, daun Magnolia Soulangeana, daun pinus, dengan 16 sampel citra daun dengan bentuk daun yang berbeda-beda untuk setiap jenisnya.

3. Pendahuluan [Kembali]

Salah satu teknik dalam pengklasifikasian daun pada tumbuhan adalah pengolahan citra. Teknik pengolahan citra merupakan teknik yang digunakan untuk membedakan tekstur pada citra tersebut. Tekstur citra dapat dibedakan oleh kerapatan, keteraturan, keseragaman, dan kekasaran dari objek tersebut. Salah satu metode pengklasifikasi yang dapat digunakan untuk klasifikasi pola daun adalah Jaringan Saraf Tiruan. Jaringan Saraf Tiruan (JST) merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan cara mempelajari dan menganalisa hubungan antara beberapa contoh data, kemudian dapat mengenali data lainnya yang serupa tetapi belum dipelajari oleh jaringan saraf tiruan.

4. Metode Penelitian [Kembali]

Identifikasi jenis tumbuhan dengan citra daun menggunakan 16 sampel citra yang terlebih dahulu melakukan proses pelatihan dengan Jaringan Saraf Tiruan. Sampel citra daun tersebut terdiri dari 4 jenis tumbuhan. Untuk blog diagram perancangan penelitian yang dilakukan yaitu :

5. Hasil dan pembahasan [Kembali]

Untuk penelitian dilakukan dengan menggunakan 4 jenis daun dengan sampel sebanyak 16 buah, yaitu :

Penelitian ini menggunakan algoritma Back Propogation. Jaringan saraf tiruan yang digunakan terdiri dari 5 layer dengan 2 hidden layer dan jumlah node setiap layer yang berbeda-beda sesuai jumlah fitur daun yang digunakan untuk setiap layer. Epoch pada struktur JST ini mencapai 1000 iterasi.

Untuk hasil pengujian yang didapatkan yaitu :

6. Kesimpulan [Kembali]

Pengolahan citra menggunakan 4 jenis daun dengan total sampel 16 citra daun dengan bentuk daun yang berbeda-beda. Hasil pengujian membutikan bahwa identifikasi jenis daun pada percobaan ini berhasil dan terdeteksi dengan persentase yaitu 95,83% untuk data latih dan 81,23% untuk data uji.

7. Daftar Pustaka [Kembali]

[1] Sanjaya W. S., Mada. Panduan Praktis Pemrograman Robot Vision Menggunakan MATLAB dan IDE Arduino. Yogyakarta: Andi. 2014.

[2] Lianto, J., & Lestari, C. C. Rancang Bangun Sistem Pengenal Bentuk Morfologi Daun Untuk Klasifikasi Spesies Tanaman Dengan Jaringan Saraf Tiruan Berbasis Android. Universitas Ciputra. Surabaya. 2011.

[3] Liantoni, Febri. Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor. Institut Teknologi Adhi Tama Surabaya. Surabaya. 2015.

[4] Nafisah, S., Puspitodjati, S., & Wulandari, S. Pengklasifikasian Jenis Tanah Menggunakan Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation. Universitas Gunadarma. KOMMIT 2008. ISSN: 1411-6286. 2008.

[5] Sulistiyasni, & Winarko, E. Klasifikasi Pola Sidik Jari Menggunakan Jaringan Syaraf Tiruan Backpropagation. Berkala MIPA. 24(4). 2014.

[6] Ichsani, U., N., Triyanto, D., & Rusliyanto, I. Klasifikasi Jenis Bunga Kamboja Jepang (Adenium Sp.) Berdasarkan Citra Mahkota Menggunakan Ekstraksi Fitur Warna Dan Deteksi Tepi. Jurnal Coding, Sistem Komputer UNTAN. Vol. 03 (3). ISSN: 2338-493x. 2015.

[7] Muwardi, F., & Fadlil A. Sistem Pengenalan Bunga Berbasis Pengolahan Citra Dan Pengklasifikasi Jarak. JITEKI. Vol. 03 (2). 2017.

[8] Pradany, Latifa N. Identifikasi Parameter Optimal Jaringan Saraf Tiruan Multi Layer Perceptron Pada Pengenalan Pola Daun: Studi Kasus Tanaman Herbal. Tugas Akhir. ITS: Surabaya. 2014

[9] Ni’mah, F. S., Sutojo, T., & Setiadi, D. R. I. M. Identifikasi Tumbuhan Obat Herbal Berdasarkan Citra Daun Menggunakan Algoritma Gray Level CoOccurence Matrix Dan K-Nearest Neighbor. Jurnal Teknologi dan Sistem Komputer. Vol. 6 (2). 2018.

[10] Jamaliah, I., Nugroho W, R., & Maimunah. Identifikasi Jenis Daun Tanaman Obat Hipertensi Berdasarkan Citra RGB Menggunakan Jaringan Syaraf Tiruan. J Piksel. Vol. 5 (1). 2017.

[11] Agmalaro, M. A., Kustiyo, A., & Akbar, A. R. Identifikasi Tanaman Buah Tropika Berdasarkan Tekstur Permukaan Daun Menggunakan Jaringan Syaraf Tiruan. Jurnal Ilmu Komputer AgriInformatika. Vol. 2 (2). 2013

8. Saran [Kembali]

Pada percobaan yang dilakukan, untuk nilai akurasinya tergolong sanagt rendah dimana untuk hasil dari persentasenya adalah 95,83% untuk data latih dan 81,23% untuk data uji. Dalam hal ini, untuk kesalahan itu terjadi karena ada 3 sampel pada data uji yang tidak terdeteksi (salah terdeteksi) yaitu Geranium 09, Magnolia sulangeana 07, dan Magnolia soulangeanan 09. Untuk itu,dilakukan perbaikan untuk meningkatkan nilai akurasi dengan menggunakan GUI untuk memudahkan.

9. Realisasi Saran [Kembali]

Untuk saran yang dilakukan adalah dengan meningkatkan nilai akurasi. Dalam hal ini, untuk meningkatkan nilai akurasi, yang perlu diubah pada bagian codingnya adalah bagian str=strel('disk',25), dimana untuk nilai yang digunakan adalah 25. Fungsi dari str adalah sebagai operasi morfologi closing untuk menyatukan bagian bagian yang tidak jelas atau bagian yang tidak sempurna ke bagian yang dominan (banyak). Jadi nantinya untuk str ini akan berbentuk seperti pixel dengan radius yang ditentukan, dimana saat ini menggunakan radius 25. Untuk membuktikan kenaikan nilai akurasi, maka disini menggunakan GUI untuk memudahkannya. Dengan demikian didapatkan hasil bahwa akurasi untuk data latih adalah 100% dan untuk data uji adalah 93,75%.