Identifikasi jenis tumbuhan di lingkungan UIN Sunan Gunung Djati Bandung berdasarkan citra daun menggunakan CNN (Convolutional Neural Network)

Nazilah, Hikmatun (2023) Identifikasi jenis tumbuhan di lingkungan UIN Sunan Gunung Djati Bandung berdasarkan citra daun menggunakan CNN (Convolutional Neural Network). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (51kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (90kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (89kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (202kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (409kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (243kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (903kB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (26kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (100kB) | Request a copy

Abstract

Tumbuhan pada umumnya terdiri dari akar, batang dan daun. Tumbuhan mempunyai bentuk serta ukuran daun yang beragam membuatnya susah dikenali oleh manusia. Oleh karena itu, bentuk daun bisa dijadikan sebagai indikator dalam menentukan hasil identifikasi dari sebuah citra daun. Berdasarkan wawancara dengan mahasiswa biologi ditemukan bahwa pada mata kuliah Struktur Tumbuhan untuk mengenali jenis tumbuhan yang berada di lingkungan kampus dan penelitian ini bisa menjadi salah satu solusi media pembelajaran bagi mahasiswa Biologi UIN Sunan Gunung Djati Bandung. Algoritma yang digunakan dalam penelitian ini adalah CNN (Convolutional Neural Network). Pengujian dalam penelitian ini dilakukan dengan 2 skenario yaitu, pengujian berdasarkan varian epoch dan pengujian berdasarkan varian pembagian data. Berdasarkan hasil penelitian dengan menggunakan algoritma CNN didapatkan hasil akurasi 93% pada pengujian berdasarkan varian epoch, kinerja terbaik tersebut didapatkan dari model dengan nilai epoch 50. Kemudian, akurasi yang diperoleh sebesar 93%. Sedangkan pada pengujian berdasarkan varian data, kinerja terbaik didapatkan pada pembagian data 90:10 (540 data training dan 60 data testing) dengan hasil rata-rata accuracy 93%, presisi 97%, recall 93% dan f1-score sebesar 95%.

Actions (login required)

View Item