Perbandingan Model Transfer Learning Untuk Klasifikasi Citra Agricultural Crop

Abstract

Klasifikasi tanaman telah diterapkan selama bertahun-tahun sebagai salah satu komponen utama pemantauan pertanian. Klasifikasi jenis tanaman merupakan teknik penting untuk menyediakan informasi tersebut. Berdasarkan latar belakang diatas, penelitian ini akan melakukan agricultural crop type classification from digital images. Dataset crop images terdiri dari 40 lebih gambar untuk setiap kelas yang ada yaitu kelas maize, wheat, jute, rice dan sugarcane. Dataset kemudian dilakukan augmentasi sehingga menghasilkan 159+ gambar untuk setiap kelas. Proses augmentasi dilakukan dengan proses horizontal flip, rotation, horizontal shift dan vertical shift. Data pengujian dipersiapkan dengan jumlah terdiri dari 51 gambar dengan masing-masing 10 gambar setiap kelasnya. Berdasarkan dari hasil eksperimen, hasil akurasi validasi terbesar didapatkan dengan implementasi metode VGG16 sebesar 96.52%, sedangkan VGG19 mendapatkan akurasi sebesar 94.03%, Resnet50 mendapatkan akurasi sebesar 41.79%, Inceptionv3 mendapatkan akurasi sebesar 94.53% dan EfficientNetB0 mendapatkan akurasi sebesar 20.40%.

Penggunaan Klasifikasi Objek dalam Aplikasi Android untuk Melestarikan Kuliner Khas Indonesia

“…Penelitian yang dilakukan oleh Setyorini dan Ramayanti menunjukkan potensi penggunaan platform Android dalam membantu masyarakat menemukan lokasi tertentu, yang bisa diadaptasi untuk membantu pengguna menemukan restoran atau tempat makan yang menawarkan hidangan tradisional Indonesia [4]. Lebih lanjut, penggunaan teknologi pengenalan citra dapat membantu dalam identifikasi kuliner secara visual, memudahkan pengguna untuk mengenal dan mempelajari lebih lanjut tentang hidangan khas dari berbagai daerah di Indonesia [5][6] [7][8] [9].…”