Pengenalan Tanaman cabai dengan Teknik Klasifikasi Menggunakan Metode CNN
Abstract
Sistem pengenalan untuk identifikasi jenis cabai berbasis komputer merupakan proses memasukkan informasi berupa citra cabai ke dalam komputer. Selanjutnya komputer menterjemahkan serta mengidentifikasi jenis cabai tersebut. Pada penelitian ini telah dilakukan perancangan sistem identifikasi tanaman cabai yang memanfaatkan kamera smartphone untuk akuisisi data citra cabai. Selanjutnya dilakukan pemrosesan awal, ekstraksi ciri dan pengklasifikasian. Data yang digunakan sebagai standar referensi sebanyak 5 sampel untuk masing-masing jenis cabai yaitu cabai gunung, cabai rawit taiwan, cabai keriting merah, cabai keriting hijau, dan cabai rawit putih. Sedangkan untuk pengujian unjuk kerja sistem menggunakan 15 sampel untuk masing-masing jenis cabai. Pengujian unjuk kerja sistem dilakukan dengan melakukan ekstraksi ciri dan melakukan pelabelan terhadap warna dan bentuk buah cabai lalu kemudian menggunakan metode CNN untuk proses identifikasi jenis cabai. Hasil pengujian sistem identifikasi citra cabai menunjukkan tingkat akurasi sebesar 80% pada proses training dan 80% pada tahap testing yang terjadi pada epoch ke-100.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
] S.Alex, Usaha Tani Cabai Kiat Jitu Bertanam Cabai di Segala Musim. Pustaka Baru Press.Yogyakarta
. Kusumanto, R., & Tompunu, A. N. (2011). Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB. Seminar Nasional Teknologi Informasi & Komunikasi Terapan.
. Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika. Bandung
. Wahyu, Nugraha, Heru. 2011. Identifikasi Citra Kacang Menggunakan Metode Jarak Manhattan dan Euclidean. Skripsi S-1. UAD. Yogyakarta.
. Syakri, S. A., Mulyadi, & Simbolon, Z. K. (2017). Identifikasi tingkat kebulatan buah pepaya berdasarkan luas objek dengan pengolahan citra. Jurnal Infomedia, 2527-9858.
. Sung-Hyuk Cha,2007. Comprehensive Survey on Distance/Similarity Measures between Probability Density Functions, Internasional Jurnal of Mathematical Model and Methods in Applied Science, Issu 4, Volume 1, pp 300-307.
. Y Song, C. G. (2014). Automatic fruit recognition and counting from multiple image. Elsevier, 203-215.
Nitish Srivastave, G. H. (2014). Dropout: A Simple Way to Prevent Neural Networks from. Journal of Machine Learning Research , 1929-1958.
Refbacks
- There are currently no refbacks.
Copyright (c) 2020 Senamika
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.