Algoritma Deep Learning Untuk Pengenalan Gambar Jenis Daun: Deep Learning Algorithm for Leaf Type Image Recognition

Azizah Azizah; Setio Ardy Nuswantoro; Firman Jaya; Rahmat Shofan R; Ansori Ansori

Authors

Azizah Azizah STKIP PGRI Situbondo
Setio Ardy Nuswantoro Universitas Muhammadiyah Palangkaraya
Firman Jaya STKIP PGRI Situbondo
Rahmat Shofan R STKIP PGRI Situbondo
Ansori Ansori STKIP PGRI Situbondo

Keywords:

Convolutional Neural Networks(CNN), Deep Learning, Pengenalan Citra, Citra Daun

Abstract

Pengolahan citra adalah cabang ilmu informatika yang berurusan dengan mengubah satu gambar menjadi gambar lain dengan menggunakan teknik tertentu. Algoritma deep learning telah menjadi salah satu pendekatan yang efektif untuk memecahkan masalah ini. Dalam makalah ini, algoritma deep learning yang menggunakan arsitektur Convolutional Neural Networks (CNN) untuk mengenali jenis daun berdasarkan gambar daun yang diberikan. Kami menguraikan langkah-langkah utama dalam pengembangan model, termasuk pra-pemrosesan data, pemilihan arsitektur CNN, dan pelatihan model. Selain itu, juga mengevaluasi kinerja model dengan menggunakan metrik evaluasi yang relevan. Hasil eksperimen menunjukkan bahwa algoritma deep learning yang diusulkan mampu mencapai tingkat akurasi yang tinggi dalam pengenalan gambar jenis daun. Pada penelitian ini, metode Convolutional Neural Network (CNN) digunakan untuk mengidentifikasi dan mengklasifikasikan objek pada citra digital, khususnya daun. Dataset yang digunakan terdiri dari 33 kelas daun, dengan pembagian 16.500 data untuk pelatihan, 3.300 untuk validasi, dan 1.650 untuk pengujian. Proses pelatihan dan validasi dilakukan sebanyak 150 epoch, yang menghasilkan akurasi tertinggi sebesar 94% dengan loss terendah sebesar 0.28. Sedangkan pada proses pengujian, nilai akurasi yang diperoleh mencapai 84%. Metode yang diteliti, yang mengintegrasikan CNN dengan data augmentation dan transfer learning, menunjukkan kinerja yang unggul dengan akurasi 94% dalam pengenalan jenis daun. Hal ini mengungguli metode lain yang hanya mengandalkan CNN tradisional atau tidak menggunakan augmentasi dan transfer learning, yang umumnya mencapai tingkat akurasi yang lebih rendah. Kombinasi dari teknik-teknik ini memungkinkan ekstraksi fitur yang lebih kuat dan generalisasi yang lebih baik, yang mengarah pada hasil klasifikasi yang lebih akurat dan dapat diandalkan dibandingkan dengan pendekatan lain

Downloads

Download data is not yet available.

Author Biographies

References

Aszemi, N. M., & Dominic, P. D. D. 2019). Hyperparameter Optimization in Convolutional Neural Network using Genetic Algorithms. 10(6), 269–278.

Rizki Anantama, dkk (2022), Application Of Cost-Sensitive Convolutional Neural Network For Pneumonia Detection, Jurnal Ilmiah KURSOR, Vol. 11, No. 3, Juli2022, Hal 101-108.

Brownlee, J. (2019). Loss and Loss Functions for Training Deep Learning Neural Networks. Retrieved from https://machinelearningmastery.com/loss-and-loss-functions-fortraining-deep-learning-neural-networks/

Class, S. C. (2019). CS231n Convolutional Neural Networks for Visual Recognition. Retrieved from http://cs231n.github.io/convolutional-networks/

Fawaidul Badri, Dkk (2023), Deep Learning Architecture Based On Convolutional Neural Network (Cnn) On Animal Image Classification, Jurnal Ilmiah KURSOR, Vol. 12, No. 2, Desember2023, Hal 83-92.

Firmansyah, M. R., Ilyas, R., Kasyidi, F., Informatika, J. T., Jenderal, U., & Yani, A. (2020). Scientific Sentence Classification Using Recurrent Neural Network. 26–27.

Gupta, A. (2020). Difference between ANN, CNN and RNN. GeeksforGeeks. https://www.geeksforgeeks.org/difference-between-ann-cnn-and-rnn/

Ilham, F., & Rochmawati, N. (2020). Transliterating Handwritten Javanese Script to Latin Script Using CNN. 01, 200–208

Irfan, S. Al, & Widodo, N. S. (2020). Application of Deep Learning Convolution Neural Network Method on KRSBI Humanoid R-SCUAD Robot. Buletin Ilmiah Sarjana Teknik Elektro, 2(1), 40. https://doi.org/10.12928/biste.v2i1.985

Pambudi, A. S., Ciptadi, A., & Nasution, R. D. (2020). Leaf Type Classification with Deep Learning Convolutional Neural Network (CNN) Method. Scientific Journal of Applied Information Technology.

Hu, Y., Zhu, X., Gao, Y., & Luo, Y. (2020). Plant leaf recognition based on deep transfer learning. Journal of Ambient Intelligence and Humanized Computing.

Huang, Z., Chen, Y., Huang, Q., Guo, Y., & Wan, J. (2021). Plant leaf recognition using deep learning. Multimedia Tools and Applications

Hossain, M. S., Al-Hammadi, M., Muhammad, G., & Ghoneim, A. (2022). Plant leaf recognition using deep learning: A comparative study.

Ren, J., Xue, J., Zhang, Y., & Xin, Y. (2023). Plant leaf recognition using deep convolutional neural networks with data augmentation.

Iman Fahruzi. Sleep Disorder Identification From Single Lead Ecg By Improving Hyperparameters Of 1d-Cnn. Jurnal Ilmiah KURSOR, Vol. 11, No.4, Desember 2022.

Laura Falaschetti, dkk. A CNN-based image detector for plant leaf diseases classification. 2468-0672/ 2022 The Authors. Published by Elsevier.

Mangena Venu Madhavan, dkk. Recognition and Classification of Pomegranate Leaves Diseases by Image Processing and Machine Learning Techniques. Computers, Materials & Continua, DOI:10.32604/cmc.2021.012466.

Ashwaq Alsayed, dkk. Classification of Apple Tree Leaves Diseases using Deep Learning Methods. IJCSNS International Journal of Computer Science and Network Security, VOL.21 No.7, July 2021