Implementasi Deep Learning Menggunakan Convolutional Neural Network untuk Indentifikasi Jenis Bunga Berbasis Mobile Menggunakan Framework TensorFlow Lite

Chandra, Leonardo Jacktish (2022) Implementasi Deep Learning Menggunakan Convolutional Neural Network untuk Indentifikasi Jenis Bunga Berbasis Mobile Menggunakan Framework TensorFlow Lite. S1 thesis, Universitas Atma Jaya Yogyakarta.

Preview	Text (Leonardo Jacktish Chandra) 170709363_bab 0.pdf Download (415kB) | Preview
Preview	Text 170709363_bab 1.pdf Download (196kB) | Preview
Preview	Text 170709363_bab 2.pdf Download (103kB) | Preview
Preview	Text 170709363_bab 3.pdf Download (389kB) | Preview
	Text 170709363_bab 4.pdf Restricted to Registered users only Download (1MB)
	Text 170709363_bab 5.pdf Restricted to Registered users only Download (232kB)
Preview	Text 170709363_bab 6.pdf Download (2MB) | Preview

Abstract

Terdapat 350.000 jenis tanaman yang tersebar di seluruh dunia dan setidaknya 325.000 merupakan jenis tanaman yang dapat berbunga. Tanaman merupakan bagian penting dalam kelangsungan hidup manusia dibumi. Klasifikasi citra sendiri merupakan hal yang sulit untuk dilakukan oleh komputer, para peneliti telah berupaya untuk mengembangkan berbagai macam metode untuk mencapai hal ini. Untuk mempermudah komputer dalam melakukan proses klasifikasi citra, perlu diterapkan teknik Deep Learning dengan menggunakan metode Convolutional Neural Network (CNN). Metode CNN berfokus pada lapisan konvolusi di mana pada lapisan itu akan dilakukan proses ekstraksi fitur dari sebuah citra agar didapatkan beberapa pola yang akan lebih mudah untuk diklasifikasikan. Dalam penelitian ini, diterapkan juga proses transfer learning menggunakan arsitektur MobileNetV2 agar dapat mengidentifikasi spesies bunga. Kemudian diterapkan dalam sebuah aplikasi mobile berbasis iOS agar dapat membantu identifikasi spesies bunga melalui perangkat mobile. Penulis menggunakan arsitektur MobileNetV2 untuk pengembangan model. Penelitian menggunakan dataset dengan jumlah gambar 12.753 sebagai training set, 3.712 gambar sebagai validation set, dan 1.040 gambar sebagai testing set. Keseluruhan gambar memiliki format warna RGB yang terbagi menjadi 104 label yang berbeda, dengan ukuran sebesar 224x224 piksel. Penelitian dibagi menjadi 5 kali percobaan dan didapatkan nilai akurasi tertinggi pada percobaan 3 sebesar 91.51% untuk validation set dengan epoch sebanyak 30. Proses pelatihan model memakan waktu sebanyak 2 jam.

Actions (login required)

View Item