Perbandingan algoritma Convolutional Neural Network (CNN) dan Faster R-CNN dalam deteksi objek pada tanaman herbal

Ridwan, Yogi Muhammad (2024) Perbandingan algoritma Convolutional Neural Network (CNN) dan Faster R-CNN dalam deteksi objek pada tanaman herbal. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) Cover.pdf Download (218kB) | Preview
Preview	Text (ABSTRAK) Abstract.pdf Download (209kB) | Preview
Preview	Text (DAFTAR ISI) Daftar Isi.pdf Download (163kB) | Preview
Preview	Text (BAB I) Bab I.pdf Download (271kB) | Preview
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (534kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (405kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (709kB)
	Text (BAB V) BAB V.pdf Restricted to Registered users only Download (206kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (212kB)

Abstract

Banyaknya spesies tumbuhan yang berkhasiat sebagai obat perlu dilakukan identifikasi untuk mengenali setiap spesies yang ada, terdapat beberapa teknik dalam melakukan identifikasi pada tumbuhan diantaranya yaitu kunci taksonomi, membandingkan spesimen, menulis deskripsi tumbuhan, membandingkan gambar dan meminta pendapat para ahli. Namun metode tersebut memiliki kelemahan salah satunya sangat bergantung pada pengetahuan para ahli, hal ini berakibat pada lamanya waktu dan membutuhkan biaya yang tinggi, terutama jika identifikasi dilakukan dalam skala besar. Untuk memudahkan mendeteksi tanaman herbal, maka dapat dikembangkan sebuah sistem yang dapat melakukan klasifikasi tanaman herbal. Untuk mengembangkan sistem tersebut, banyak algoritma yang dapat digunakan. Maka untuk mengembangkan sistem yang baik yang dapat digunakan oleh pengguna, diperlukan algoritma terbaik dalam melakukan klasifikasi objek tanaman herbal. Oleh karena itu dilakukan perbandingan algoritma Convolutional Neural Network (CNN) dan Faster R-CNN. Dari perbandingan ini didapatkan nilai precision 91.5% dan nilai recall 92.4% pada algoritma CNN dan nilai precision 65.7% dan nilai recall 74.9% untuk algoritma Faster R-CNN. Perbandingan tersebut dilakukan pada dataset sebanyak 800 citra yang terbagi atas 10 kelas.

Actions (login required)

View Item