Klasifikasi Jenis Rimpang (Jahe, Lengkuas, Temulawak, Kunci, dan Kencur) menggunakan Metode Convolutional Neural Network dengan Pre-Trained GoogLeNet dan ResNet 50

Qorni, Wais Al and Prof. Ir. Yusuf Hendrawan, STP, M.App.Life.Sc.Ph.D and Dr. Ir. Gunomo Djoyowasito, - (2023) Klasifikasi Jenis Rimpang (Jahe, Lengkuas, Temulawak, Kunci, dan Kencur) menggunakan Metode Convolutional Neural Network dengan Pre-Trained GoogLeNet dan ResNet 50. Sarjana thesis, Universitas Brawijaya.

Abstract

Rimpang merupakan jenis tanaman yang tumbuh di daratan Indonesia. Biasanya tanaman ini sering dimanfaatkan sebagai produk herbal atau bumbu untuk memasak. Rimpang memiliki banyak sekali jenis, aroma, dan warna. Orang biasanya akan mudah mengenal dan mengetahui jenis rimpang dari aroma dan warnanya.Namun tidak dengan sebuah mesin atau komputer yang belum dilengkapi dengan sistem cerdas. Sehingga adanya kemiripan dan perbedaan dari rimpang akan cukup sulit diidentifikasi. Untuk itu dalam penelitian ini dapat memanfaatkan AI deep learning sebagai metode pengklasifikasian rimpang. CNN/ConvNet merupakan salah satu algoritma deep learning yang merupakan pengembangan dari Multilayer Perceptron (MPL) yang dirancang untuk mengolah data dalam bentuk dua dimensi yang nantinya digunakan untuk mengklasifikasi data yang terlabel dengan menggunakan metode supervised learning. Tujuan dari penelitian ini adalah untuk mengidentifikasi citra dari rimpang jahe, lengkuas, temulawak, kunci dan kencur dengan tepat menggunakan metode CNN. Variasi sampel yang digunakan dalam penelitian ini adalah sebanyak 250 sampel pada setiap jenis yang dibagi menjadi dua data set yaitu 200 data untuk pengujian (training) dan 50 data untuk pelatihan (testing). Model Pre-Trained yang digunakan dalam penelitian ini adalah arsitektur GoogLeNet dan ResNet 50. Hasil dari penelitian ini dimana dari data training - validation, pada arsitektur GoogLeNet nilai akurasi tertinggi didapatkan dengan Adam 0.00005 sebesar 100%. Sedangkan pada arsitektur ResNet 50 nilai akurasi tertinggi didapatkan dengan optimizer RMSProp 0.0001 sebesar 100%. Dari data testing, pada arsitektur GoogLeNet nilai akurasi tertinggi didapatkan dengan optimizer Adam 0.00005 sebesar 99,2%. Sedangkan pada arsitektur ResNet 50 nilai akurasi tertinggi didapatkan dengan optimizer RMSProp 0.0001 sebesar 95,6%.

English Abstract

Rhizome is a type of plant that grows in mainland Indonesia. Usually this plant is often used as a herbal product or seasoning for cooking. Rhizomes have many types, aromas, and colors. People will usually easily recognize and know the type of rhizome from its aroma and color. But not with a machine or computer that is not yet equipped with an intelligent system. So that the similarities and differences of the rhizomes will be quite difficult to identify. For this reason, this research can utilize AI deep learning as a method of classifying rhizomes. CNN/ConvNet is one of the deep learning algorithms which is a development of the Multilayer Perceptron (MPL) which is designed to process data in a two-dimensional form which will later be used to classify labeled data using the supervised learning method. The purpose of this study was to identify images of ginger, galangal, ginger, lock and kencur rhizomes correctly using the CNN method. The sample variations used in this study were 250 samples for each type which were divided into two data sets, namely 200 data for testing (training) and 50 data for training (testing). The pre-trained models used in this study are the GoogLeNet and ResNet 50 architectures. The results of this study are from the training-validation data, the GoogLeNet architecture has the highest accuracy value obtained with Adam 0.00005 of 100%. Whereas on the ResNet 50 architecture the highest accuracy value is obtained with the RMSProp 0.0001 optimizer of 100%. From the data testing, on the GoogLeNet architecture the highest accuracy value was obtained with the Adam 0.00005 optimizer of 99.2%. Whereas on the ResNet 50 architecture the highest accuracy value obtained with the RMSProp 0.0001 optimizer is 95.6%.

Item Type:	Thesis (Sarjana)
Identification Number:	0523100063
Uncontrolled Keywords:	Rimpang, Artificial Intellegent, Convolutional Neural Network, Deep Learning, Pre-Trained, Rhizome, Artificial Intelligence, Convolutional Neural Network, Deep Learning, Pre-Trained.
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	soegeng sugeng
Date Deposited:	22 May 2023 03:41
Last Modified:	22 May 2023 03:41
URI:	http://repository.ub.ac.id/id/eprint/199993

Text (DALAM MASA EMBARGO) WAIS AL QORNI.pdf Restricted to Registered users only until 31 December 2025. Download (6MB)

Actions (login required)

View Item