METODE CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI TINGKAT KESEHATAN TANAMAN LIDAH BUAYA BERBASIS WEB

Nurlatifa (2024) METODE CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI TINGKAT KESEHATAN TANAMAN LIDAH BUAYA BERBASIS WEB. PROGRAM STUDI SARJANA SISTEM INFORMASI FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SARI MULIA BANJARMASIN 2024.

Text Revisi Skripsi-4 - Nurlatifa Latifa.pdf Download (18MB)

Abstract

: Deep Learning merupakan bagian dari bidang pengolahan citra digital atau image processing. Convolutional Neural Network (CNN) adalah pengembangan dari Multilayer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi. CNN termasuk dalam jenis Deep Neural Network karena kedalaman jaringan yang tinggi dan banyak di aplikasikan pada data citra. Tujuan : Tujuan dari penelitian ini adalah untuk mengetahui tingkat akurasi metode CNN dalam melakukan klasifikasi tingkat kesehatan tanaman lidah buaya yang terintegrasi dalam platform web. Metode: Penelitian ini menggunakan metode algoritma Convolutional Neural Network (CNN). Hasil : Convolutional Neural Network merupakan salah satu algoritma yang cukup efektif dalam pengolahan citra. Citra akan melalui proses resizing, normalisasi dan argumentasi data. Dataset yang digunakan adalah tanaman lidah buaya dengan total 3.495 sampel citra tanaman lidah buaya, 1.514 citra gambar sebagai data training dan 630 citra gambar sebagai data validasi dan 351 citra gambar sebagai data testing. Dalam proses pemodelan terdapat empat convolutional layers dan empat max pooling layers diikuti oleh dua fully connected layer. Hasil pelatihan pada model yang telah dibangun memiliki persentase rata-rata accuracy 92% dan accuracy validasi sebesar 85%, hasil pengujian model mendapatakan rarta- rata accuracy 89%. Simpulan : Hasil dari metode CNN untuk klasifikasi tingkat kesehatan tanaman lidah buaya saat baik dalam memprediksi tingkat kesehatan tanaman lidah buaya dengan menggunakan website. Kata Kunci: convolutional neural network, deep learning, klasifikasi, lidah buaya ABSTRAK

Actions (login required)

View Item