Deteksi Hama Pada Daun Apel Menggunakan Algoritma Convolutional Neural Network

Husen, Dede; Kusrini, Kusrini; Kusnawi, Kusnawi

doi:10.30865/mib.v6i4.4667

Cited by 4 publications

(6 citation statements)

References 6 publications

(7 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Setiap node yang berada di barisan paling akhir pasti terhubung sebagai vektor ke layer pertama. Fully connected layers adalah parameter yang paling banyak digunakan pada arsitektur CNN, dan yang paling membutuhkan banyak waktu untuk proses training [8].…”

Section: Convolutional Neural Networkunclassified

Implementasi Transfer Learning Menggunakan Convolutional Neural Network Dalam Klasifikasi Penyu

Eka Okta Putra,

Queena Fredlina,

Yudi Anggara Wijaya

2024

jati

View full text Add to dashboard Cite

Pemanfaatan teknologi kecerdasan buatan, khususnya Machine Learning, telah menjadi solusi inovatif dalam konteks pelestarian fauna, terutama di negara maritim seperti Indonesia. Keanekaragaman hayati di perairan Indonesia, yang melimpah dan menjadi daya tarik wisata, menyoroti perlunya konservasi. Penyu, sebagai salah satu spesies laut yang mencolok, memiliki peran krusial dalam menjaga ekosistem perairan dunia selama puluhan juta tahun. Meskipun memiliki enam dari tujuh spesies penyu di dunia, data dari IUCN Red List of Threatened Species menunjukkan bahwa keenam spesies ini berstatus rentan terhadap kepunahan. Ancaman terhadap populasi penyu, seperti penangkapan telur untuk diperdagangkan, penangkapan induk penyu, dan aktivitas perburuan yang merusak, menjadi tantangan serius dalam upaya pelestarian. Dalam konteks ini, kami mengusulkan pemanfaatan teknologi Machine Learning, khususnya Convolutional Neural Network dan Transfer Learning, untuk klasifikasi jenis atau spesies penyu. Dua model yang dikembangkan diukur tingkat akurasinya, dengan tujuan menciptakan model akurat yang dapat mendeteksi spesies penyu melalui citra input. Pendekatan ini diharapkan dapat memberikan kontribusi signifikan dalam mencegah ancaman kepunahan terhadap penyu di Indonesia. Penelitian ini tidak hanya menghadirkan solusi teknologi yang inovatif, tetapi juga bertujuan meningkatkan kesadaran masyarakat terhadap pentingnya pelestarian spesies penyu. Dengan menyatukan pemanfaatan teknologi Machine Learning dan edukasi masyarakat, diharapkan dapat tercipta kesadaran yang lebih luas dan berkelanjutan terhadap pelestarian spesies ini di perairan Indonesia.

show abstract

Section: Convolutional Neural Networkunclassified

Implementasi Transfer Learning Menggunakan Convolutional Neural Network Dalam Klasifikasi Penyu

Eka Okta Putra,

Queena Fredlina,

Yudi Anggara Wijaya

2024

jati

View full text Add to dashboard Cite

show abstract

“…Langkah awal dalam penelitian ini melibatkan proses preprocessing, dimana citra-citra tersebut mengalami transformasi ukuran dengan menggunakan fungsi resize. Dalam langkah ini, seluruh citra diubah ukurannya menjadi 200x200 piksel, tujuannya adalah untuk meningkatkan efisiensi dalam proses data training dan untuk memperoleh hasil terbaik dari model yang dihitung [15]. Setelah tahap resize citra selesai, dilakukan pembagian dataset, dimana citra-citra aktivitas olahraga dibagi menjadi tiga bagian: 80% digunakan untuk pelatihan (data training), 10% untuk pengujian (data testing), dan 10% untuk validasi (data validation) [8].…”

Section: 1unclassified

Klasifikasi Aktivitas Olahraga Berdasarkan Citra Foto Dengan Menggunakan Metode Convolutional Neural Network

Akram,

Rachmadinasya,

Melvandino

et al. 2023

JITET

View full text Add to dashboard Cite

In an era of advancing technology and information, sports are also receiving increasing attention from various sectors, including enthusiasts and participants in the sports industry. However, to better understand and manage the sports world, a thorough analysis and understanding of various aspects of sports are necessary, including classification and recognition of different types of sports. One potent and effective approach to image pattern recognition is the Convolutional Neural Network (CNN). CNN is a classification method particularly suitable for classifying digital images. The architecture of CNN is designed effectively to recognize objects within images. The dataset employed comprises 2348 samples for training, 294 samples for testing, and 294 samples for validation. The training process of the CNN model using DenseNet121 architecture yields an accuracy rate of 99%, with a validation accuracy rate of 88.78%. Through this research, it is expected that the application of CNN will create a system capable of automatically and accurately identifying the types of sports being performed by individuals or groups based on images or captured visuals of sporting activities.

show abstract

“…Dalam metode ini, kita memilih nilai maksimum dari area tertentu. Selain itu, ada juga metode pooling lain yang disebut average pooling, di mana kita mencari nilai rata-rata dari area yang sama [17].…”

Section: Pooling Layerunclassified

“…Jika semua probabilitas kelas target dijumlahkan, hasilnya akan sama dengan satu. Softmax mengambil nilai eksponensial dari input yang diberikan dan menjumlahkan nilai-nilai eksponensial tersebut untuk semua kelas dalam hasil keluaran [17].…”

Section: Denseunclassified

“…Pada tahap pengumpulan data, penulis melakukan eksplorasi data dari berbagai sumber dataset, termasuk di antaranya adalah situs dataset publik Kaggle, di mana penulis berhasil mendapatkan dataset hama serangga. Setelah dataset uji terkumpul, langkah berikutnya adalah melakukan pengolahan citra uji (image preprocessing), di mana dataset uji akan diubah ukurannya menjadi 224x224 piksel untuk mempercepat proses komputasi citra [17]. Pada tahap ini, dilakukan konfigurasi data augmentasi pada model yang akan dibangun, dengan tujuan untuk menghindari overfitting dan meningkatkan akurasi model [18].…”

Section: Hasil Pengumpulan Datasetunclassified

See 1 more Smart Citation

Klasifikasi Hama Serangga pada Pertanian Menggunakan Metode Convolutional Neural Network

Akram,

Fayakun,

Ramza

2023

bits

View full text Add to dashboard Cite

Insect pest attacks pose a serious threat that can potentially cause significant losses in agricultural production. Therefore, the effective recognition and control of insect pests are crucial for maintaining agricultural productivity and quality of yields. With the advancement of computer technology and artificial intelligence, computer technology can be utilized to automatically recognize images in object recognition, particularly for insect pest classification using the Convolutional Neural Network (CNN) method with the Xception architecture. CNN is one of the types of deep feed-forward artificial neural networks widely used in digital image analysis and can process data in the form of grid patterns. CNN consists of three types of layers: convolutional layer, pooling layer, and fully connected layer. The use of CNN in this research aims to facilitate the classification of insect pests. The CNN process involves stages of training, testing, and validation on insect pests to determine the classification of images of various insect pest species. This research utilizes 1363 image samples with 13 classes of insect pests. The training process of CNN involves several parameters such as batch size, number of epochs, learning rate, and optimizer. The experiment's results indicate that the best accuracy achieved by this model is 93.81% during the training phase and 81.75% during the validation phase. This demonstrates that the model successfully performs insect pest classification using the CNN method.

show abstract

Deteksi Hama Pada Daun Apel Menggunakan Algoritma Convolutional Neural Network

Cited by 4 publications

References 6 publications

Implementasi Transfer Learning Menggunakan Convolutional Neural Network Dalam Klasifikasi Penyu

Implementasi Transfer Learning Menggunakan Convolutional Neural Network Dalam Klasifikasi Penyu

Klasifikasi Aktivitas Olahraga Berdasarkan Citra Foto Dengan Menggunakan Metode Convolutional Neural Network

Klasifikasi Hama Serangga pada Pertanian Menggunakan Metode Convolutional Neural Network

Contact Info

Product

Resources

About