1.png)
KLASIFIKASI TANAMAN OBAT BERDASARKAN CITRA DAUN MENGGUNAKAN BACKPROPAGATION NEURAL NETWORKS
Abstract
Indonesia dikenal memiliki kekayaan hayati yang melimpah, termasuk ribuan spesies tumbuhan, di mana sebagian besar memiliki nilai pengobatan dalam pengobatan tradisional. Meskipun pengobatan tradisional telah menjadi bagian dari warisan budaya Indonesia dan digunakan oleh generasi sebelumnya, penggunaan obat tradisional saat ini mengalami penurunan karena kurangnya informasi yang tersedia. Akibatnya, banyak tumbuhan obat di Indonesia, termasuk yang memiliki potensi pengobatan, tidak dimanfaatkan dengan optimal. Untuk meningkatkan pemahaman dan pemanfaatan obat tradisional, penelitian ini menggunakan teknologi Artificial Neural Networks (ANN), khususnya metode Backpropagation Neural Networks (BNN), untuk mengklasifikasikan jenis tanaman obat berdasarkan citra daun. Metode ini didasarkan pada model matematika yang terinspirasi dari cara kerja otak manusia dan mampu mempelajari pola dari data yang diberikan. Pada penelitian ini, dilakukan pengklasifikasian citra daun herbal menggunakan algoritma BNN dengan ekstraksi ciri bentuk. Proses pengklasifikasian melibatkan segmentasi citra, operasi morfologi, serta ekstraksi ciri menggunakan parameter metric dan eccentricity. Model ini diimplementasikan melalui antarmuka pengguna grafis (GUI) menggunakan perangkat lunak Matlab untuk mempermudah pengujian. Hasil evaluasi menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan citra daun herbal dengan akurasi keseluruhan mencapai 93,75%.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
B. Setiyono et al., “IDENTIFIKASI TANAMAN OBAT INDONESIA MELALUI CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN),” 2023, doi: 10.25126/jtiik.2023106809.
A. Herdiansah, R. I. Borman, D. Nurnaningsih, A. A. J. Sinlae, and R. R. Al Hakim, “Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 2, p. 388, Apr. 2022, doi: 10.30865/jurikom.v9i2.4066.
D. P. Adriani et al., “KLASIFIKASI TANAMAN OBAT-OBATAN BERDASARKAN CITRA DAUN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN,” 2020.
U. Muhamammadiyah Jember, I. Rizki Ramadhani, and A. Nilogiri, “Klasifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Metode Convolutional Neural Network Classification Of Plants Based On Leaf Image Using Convolutional Neural Network Method,” 2022. [Online]. Available: http://jurnal.unmuhjember.ac.id/index.php/JST
A. Rinardi and A. V Herlinda, “IMPLEMENTASI MODEL CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI DAUN SIRIH DAN DAUN PANDAN,” 2022, doi: 10.29207/resti.v6iX.xxx.
R. J. Rumandan, R. Nuraini, N. Sadikin, and Y. Rahmanto, “Klasifikasi Citra Jenis Daun Berkhasiat Obat Menggunakan Algoritma Jaringan Syaraf Tiruan Extreme Learning Machine,” 2022, doi: 10.47065/josyc.v4i1.2586.
R. I. Borman, R. Napianto, N. Nugroho, D. Pasha, Y. Rahmanto, and Y. E. P. Yudoutomo, “Implementation of PCA and KNN Algorithms in the Classification of Indonesian Medicinal Plants,” in 2021 International Conference on Computer Science, Information Technology, and Electrical Engineering (ICOMITEE), IEEE, 2021, pp. 46–50.
M. Wati, N. Puspitasari, E. Budiman, and R. Rahim, “First-order feature extraction methods for image texture and melanoma skin cancer detection,” in Journal of Physics: Conference Series, IOP Publishing, 2019, p. 012013.
A. S. R. M. Sinaga, “Implementasi Teknik Threshoding Pada Segmentasi Citra Digital,” Jurnal Mantik Penusa, vol. 1, no. 2, 2017.
O. Sihombing, E. Buulolo, and H. Kristian Siburian, “KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) IMPLEMENTASI METODE OPERASI MORFOLOGIS DALAM PERBAIKAN HASIL SEGMENTASI CITRA DIGITAL GORGA BATAK,” 2018, [Online]. Available: http://ejurnal.stmik-budidarma.ac.id/index.php/komik
A. Herdiansah, R. I. Borman, D. Nurnaningsih, A. A. J. Sinlae, and R. R. Al Hakim, “Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 2, p. 388, Apr. 2022, doi: 10.30865/jurikom.v9i2.4066.
D. S. Alham and D. Herumurti, “Segmentasi Dan Perhitungan Sel Darah Putih Menggunakan Operasi Morfologi Dan Transformasi Watershed,” INFORMAL: Informatics Journal, vol. 4, no. 2, pp. 59–67, 2019.
D. Nurnaningsih, D. Alamsyah, A. Herdiansah, and A. A. J. Sinlae, “Identifikasi Citra Tanaman Obat Jenis Rimpang dengan Euclidean Distance Berdasarkan Ciri Bentuk dan Tekstur,” Building of Informatics, Technology and Science (BITS), vol. 3, no. 3, pp. 171–178, 2021.
A. Fitriadini, T. Pramiyati, and A. B. Pangaribuan, PENERAPAN BACKPROPAGATION NEURAL NETWORK DALAM PREDIKSI HARGA SAHAM. 2020.
S. Setti and A. Wanto, “Analysis of Backpropagation Algorithm in Predicting the Most Number of Internet Users in the World,” Jurnal Online Informatika, vol. 3, no. 2, pp. 110–115, 2018, doi: 10.15575/join.
R. Indra Borman and B. Priyopradono, “Implementasi Penerjemah Bahasa Isyarat Pada Bahasa Isyarat Indonesia (BISINDO) Dengan Metode Principal Component Analysis (PCA),” Z. A. Pagar Alam, vol. 03, no. 1, 2018.
M. Grandini, E. Bagli, and G. Visani, “Metrics for multi-class classification: an overview,” arXiv preprint arXiv:2008.05756, 2020.
DOI: http://dx.doi.org/10.26798/jiko.v8i1.945
Article Metrics
Abstract view : 1043 timesPDF (Bahasa Indonesia) - 434 times
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Arizal Sabila Nurhikam, Wiseto Prasetyo Agung, Saepul Rohman, Irigi Mahendrata Saputra
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.