PENGEMBANGAN APLIKASI MOBILE UNTUK MENGIDENTIFIKASI SPESIES TANAMAN OBAT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Lana, Constantino Geovany Orlando (2020) PENGEMBANGAN APLIKASI MOBILE UNTUK MENGIDENTIFIKASI SPESIES TANAMAN OBAT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. S1 thesis, Universitas Atma Jaya Yogyakarta.

Preview	Text (Constantino Geovany Orlando Lana) 0709010 0.pdf Download (2MB) | Preview
	Text 0709010 1.pdf Restricted to Registered users only Download (294kB)
	Text 0709010 2.pdf Restricted to Registered users only Download (766kB)
	Text 0709010 3.pdf Restricted to Registered users only Download (1MB)

Abstract

Tumbuhan menjadi bagian penting bagi kehidupan di bumi ini, yang menyediakan kita oksigen sumber makanan, bahan bakar, obat-obatan dan lainlain. Beberapa aplikasi mobile seperti PlanNet, Nature Gate, Plantifier adalah beberapa aplikasi yang sudah ada, dan digunakan untuk mengenali tanaman beserta identifikasinya untuk membantu kita dalam mengidentifikasi tanaman. Aplikasi tersebut menerapkan deep learning dan ilmu dari bidang computer vision untuk dapat mengenali spesies tanaman yang diambil dari kamera. Beberapa penelitan yang menggunakan deep learning untuk mengidentifikasi tanaman belakangan ini juga sudah banyak dilakukan, Seperti penelitian untuk mengidentifikasi tanaman berdasarkan daunnya yang dilihat dengan mengekstraksi vena, bentuk dan tekstur daun kemudian ada penelitian yang berfokus menggunakan framework convolutional neural network yaitu VGG16 untuk mengidentifikasi tanaman, dan penelitian yang menggunakan CNN dengan mengoptimasi parameter transfer learning. Beberapa penelitan tersebut tidak lepas lepas dari penggunaan teknik CNN dalam mengekstraksi fitur dari tanaman. Penelitian ini berfokus dalam pengembangan model dan pembuatan aplikasi mobile yang berfungsi untuk mengidentifikasi tanaman menggunakan framework VGG19. Dataset yang digunakan merupakan 15 jenis tanaman obat yang diperoleh dari Merapi Farma Herbal Yogyakarta. Pembuatan model menggunakan model framework VGG19 dalam penelitian ini menghasilkan akurasi sebesar 99,04% untuk training dan 97,52% untuk validation. Model ini menggunakan gambar berukuran 500 x 500 pixel untuk input size dan menggunakan 938 gambar sebagai dataset yang digunakan untuk melatih model tersebut. Waktu yang dibutuhkan untuk melatih model berkisar 9 - 10 jam untuk melatih setiap eksperimen. Hasil pengujian menggunakan 58 dataset test memberikan hasil 55 gambar dengan prediksi yang sesuai, dan 3 gambar dengan prediksi yang salah.

Actions (login required)

View Item