Klasifikasi Jenis Mangga Berdasarkan Bentuk Dan Tekstur Daun Menggunakan Metode Convolutional Neural Network (CNN)

  • Deni Hidayat Personal

Abstract

Mangga merupakan salah satu tanaman jenis buah-buahan yang digemari oleh masyarakat khususnya masyarakat Indonesia. Jenis mangga yang paling banyak ditanam di Indonesia adalah jenis mangga arumanis, golek, dan manalagi karena rasanya yang enak. Dalam penelitian ini menggunakan daun mangga sebagai dataset dari tiga jenis mangga yaitu jenis mangga arumanis, golek, dan manalagi. Berbagai cara dapat dilakukan untuk membedakan jenis mangga salah satunya dengan melihat bentuk dan tekstur daun dari pohon mangga. Jika melihat data yang ada di lapangan bentuk dan tekstur daun mangga jenis arumanis, golek, dan manalagi memiliki banyak kesamaan sehingga sulit dibedakan dengan kasat mata. Tujuan penelitian ini adalah melakukan klasifikasi jenis mangga berdasarkan bentuk dan tekstur daun menggunakan metode Convolutional Neural Network (CNN).Metode klasifikasi yang digunakan adalah Convolutional Neural Network (CNN). Hasil pengujian memerlukan waktu rata rata 2 detik dan yang terlama adalah 52 detik. Nilai akurasi rata rata di dapatkan nilai 1.

References

Allaam, M. R. R., & Wibowo, A. T. (2021). Klasifikasi Genus Tanaman Anggrek Menggunakan Metode Convolutional Neural Network (cnn). eProceedings of Engineering, 8(2).
Diao, C., Kleyko, D., Rabaey, J. M., & Olshausen, B. A. (2021, July). Generalized Learning Vector Quantization for Classification in Randomized Neural Networks and Hyperdimensional Computing. In 2021 International Joint Conference on Neural Networks (IJCNN) (pp. 1-9). IEEE.
Faizal, F., Mahfudz, M., & Adelina, E. (2017). Karakteristik Mangga Lokal (Mangifera spp) melalui Identifikasi Morfologi dan Anatomi di Kabupaten Donggala dan Kabupaten Sigi. Agroland: Jurnal Ilmu-ilmu Pertanian, 24(1), 49-56.
Fitrianingsih, F., & Rodiah, R. (2021). Klasifikasi Jenis Citra Daun Mangga Menggunakan Convolutional Neural Network. Jurnal Ilmiah Teknologi dan Rekayasa, 25(3), 223-238.
Furqon, M., Sriani, S., & Harahap, L. S. (2020). Klasifikasi Daun Bugenvil Menggunakan Gray Level Co-Occurrence Matrix Dan K-Nearest Neighbor. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi, 6(1), 22-29.
Hakiky, R. M., Hikmah, N., & Ariyanti, D. (2020). Klasifikasi Jenis Pohon Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Backpropagation. Jurnal Informatika Upgris, 6(2).
Jamaludin, J., Rozikin, C., & Irawan, A. S. Y. (2021). Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation. Techné: Jurnal Ilmiah Elektroteknika, 20(1), 1-12.
Jessar, H. F., Wibowo, A. T., & Rachmawati, E. (2021). Klasifikasi Genus Tanaman Sukulen Menggunakan Convolutional Neural Network. eProceedings of Engineering, 8(2).
Miranda, E., & Aryuni, M. (2021). Klasifikasi Tutupan Lahan Menggunakan Convolutional Neural Network pada Citra Satelit Sentinel-2. Sistemasi: Jurnal Sistem Informasi, 10(2), 323-335.
Oktavianto, Y., Sunaryo, S., & Suryanto, A. (2015). Karakterisasi tanaman mangga (mangifera indica l.) Cantek, Ireng, Empok, Jempol di Desa Tiron, Kecamatan Banyakan Kabupaten Kediri (Doctoral dissertation, Brawijaya University).
Sanjaya, C. B., & Rosadi, M. I. (2018). Klasifikasi buah mangga berdasarkan tingkat kematangan menggunakan least-squares support vector machine. Explore IT, 1-13.
Solikin, S. (2020). Deteksi Penyakit Pada Tanaman Mangga Dengan Citra Digital: Tinjauan Literatur Sistematis (SLR). Bina Insani Ict Journal, 7(1), 63-72.
Sutarno, S., Abdullah, R. F., & Passarella, R. (2017, November). Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization (LVQ). In Annual Research Seminar (ARS) (Vol. 3, No. 1, pp. 65-70).
Published
2022-06-02
How to Cite
Hidayat, D. (2022). Klasifikasi Jenis Mangga Berdasarkan Bentuk Dan Tekstur Daun Menggunakan Metode Convolutional Neural Network (CNN). INTECOMS: Journal of Information Technology and Computer Science, 5(1), 98-103. https://doi.org/https://doi.org/10.31539/intecoms.v5i1.3401
Abstract viewed = 0 times
PDF downloaded = 0 times