TA

PENGENALAN KONDISI TANAMAN HpIAS BERDASARKAN CITRA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) (STUDI KASUS : AGLONEMA COSTATUM )

Penulis Kirnanda, M. Rifaldzi
Jenis

TA

Tahun

2024

Kode

722/UB/FT-Inf/24

Bahasa

Ind

TA Tersedia
Unduh Laporan

PENGENALAN KONDISI TANAMAN HpIAS BERDASARKAN CITRA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) (STUDI KASUS : AGLONEMA COSTATUM )

#2014311038

Pengarang: Kirnanda, M. Rifaldzi

Pembimbing Pertama: Ir. Wiwiet Herulambang. M.Cs.

Pembimbing Kedua: M. Mahaputra Hidayat, S.Kom., M. Kom.

Jenis: TA

Penerbit: UBHARA - FT-Inf

Tahun Terbit: 2024

Bahasa: Ind

Kode: 722/UB/FT-Inf/24

No. Klasifikasi: 629.892 Kir p

Jenis Karya: S1


Jenis

TA

Tahun

2024

Status

Tersedia

Kode

722/UB/FT-Inf/24

Deskripsi Fisik

xiv, 124 hal; 30 cm

Subyek

OENGENALAN CITRA - METODE CNN

Kata Kunci

Aglonema CNN Pengenalan Citra Kondisi Tanaman

Anotasi

Abstrak Aglonema atau "Chinese Evergreen" adalah tanaman hias daun yang populer di seluruh dunia. Tanaman ini memiliki keunikan yang terletak pada daunnya yang memiliki bentuk, warna dan corak yang indah dan beraneka ragam. Akan tetapi seiring berjalannya waktu ada perubahan pada daun aglaonema tersebut ada kondisi sehat, layu dan sangat layu. Tujuan penelitian ini untuk mengetahui kondisi pengenalan tanaman hias dengan pengelolaan citra digital serta di implementasikan kondisi pengenalan menggunakan Convolutional Neural Network (CNN) serta di implementasikan ke web server. Metode penelitian ini meliputi pengumpulan dataset citra tanaman aglonema dalam tiga kategori kondisi yaitu sehat, layu dan sangat layu. Dataset tersebut terdiri dari 500 citra dari 5 jenis tanaman yang berbeda yang telah diambil dan anotasi. Proses pre processing mencakup augmentasi data, normalisasi dan segmentasi citra untuk meningkatkan akurasi model. Hasil penelitian yang telah dilakukan di dapatkan hasil akurasi dari pengujian tiap class nya 100% untuk tanaman class sehat, 80% untuk tanaman class layu, dan 100% untuk tanaman class sangat layu. Dengan menghasilkan nilai dari Matrix Confusion ini mampu menganalisis kondisi ketiga tanaman Aglonema tersebut dengan akurasi sebesar 93%, Tingkat Presisi sebesar 96%, dan Tingkat Recall sebesar 96%.

Catatan

Wisuda 2024

Di-entri: 22 September 2024 04:54