Sistem Identifikasi Jenis Tumbuhan Mangrove Menggunakan Metode Convolutional Neural Network (CNN)

Imam Samudra, Tedy Rismawan, Irma Nirmala

Abstract

Abstrak : 

Mangrove merupakan tumbuhan pesisir yang berperan penting dalam menjaga keseimbangan ekosistem. Penelitian ini bertujuan membangun sistem identifikasi jenis tumbuhan mangrove berbasis citra daun dengan metode Convolutional Neural Network (CNN) untuk memudahkan dalam mengidentifikasi jenis mangrove. Dataset yang digunakan terdiri dari 810 citra daun mangrove, masing-masing 270 citra untuk tiga kelas: Acanthus Ilicifolius, Rhizophora Apiculata, dan Sonneratia Alba. Proses pelatihan model CNN dilakukan untuk mengenali pola dan karakteristik visual daun. Pengujian dilakukan menggunakan 81 data uji dengan dua skenario pengujian, yaitu tanpa menggunakan kamera Raspberry Pi dan dengan integrasi kamera Raspberry Pi. Hasil pengujian tanpa kamera Raspberry Pi mendapatkan akurasi 88%, sedangkan menggunakan kamera Raspberry Pi mencapai 96%. Peningkatan akurasi sebesar 8% membuktikan bahwa penerapan sistem pada perangkat keras Raspberry Pi mampu meningkatkan kinerja identifikasi. Selain itu, sistem dapat beroperasi secara portabel tanpa memerlukan koneksi internet, sehingga berpotensi untuk mengidentifikasi mangrove secara mudah di lapangan.

=================================================

Abstract : 

Mangroves are coastal plants that play an important role in maintaining ecosystem balance. This study aims to build a mangrove plant species identification system based on leaf images using the Convolutional Neural Network (CNN) method to facilitate the identification of mangrove species. The dataset used consists of 810 mangrove leaf images, 270 images each for three classes: Acanthus Ilicifolius, Rhizophora Apiculata, and Sonneratia Alba. The CNN model training process was carried out to recognize leaf patterns and visual characteristics. Testing was carried out using 81 test data with two test scenarios, namely without using a Raspberry Pi camera and with Raspberry Pi camera integration. The test results without a Raspberry Pi camera achieved 88% accuracy, while using a Raspberry Pi camera reached 96%. The 8% increase in accuracy proves that the implementation of the system on Raspberry Pi hardware is able to improve identification performance. In addition, the system can operate portable without requiring an internet connection, thus having the potential to easily identify mangroves in the field.

Keywords

Mangrove, convolutional neural network, raspberry pi, citra daun

Full Text:

PDF

References

[1] C. Khairunnisa, E. Thamrin, and H. Prayogo, “Keanekaragaman Jenis Vegetasi Mangrove Di Desa Dusun Besar Kecamatan Pulau Maya Kabupaten Kayong Utara (Species Diversity of Mangrove Vegetation in Dusun Besar Village Pulau Maya District, Kayong Utara Regency),” 2020.

[2] M. Hafidz, N. Rachman, H. Sabri Ubaid, and V. Sanria, “Computer Based Information System Journal Sistem Pengenal Jenis Tumbuhan Melalui Daun Menggunakan Algoritma Convolutional Neural Network,” CBIS JOURNAL, vol. 12, no. 02, 2024, [Online]. Available: http://ejournal.upbatam.ac.id/index.php/cbishttp://ejournal.upbatam.ac.id/index.php/cbis

[3] J. Wijaya, S. Putra Sutra, P. Wahyu Kosasih, and P. Sirait, “Implementasi Convolutional Neural Network Untuk Identifikasi Jenis Tanaman Melalui Daun,” Julyxxxx, vol. 21, pp. 1–5, 2020.

[4] S. H. Wardani, T. Rismawan, and S. Bahri, “Aplikasi Klasifikasi Jenis Tumbuhan Mangrove Berdasarkan Karakteristik Morfologi Menggunakan Metode K-Nearest Neighbor (KNN) Berbasis Web,” 2016.

[5] W. A. Timisela, G. Mardiatmoko, and F. Puturuhu, “Analisa Jenis Mangrove Menggunakan Citra UAV Dengan Klasifikasi OBIA,” vol. 4, no. 2, pp. 132–149, Oct. 2020, doi: 10.30598/jhppk.2020.4.2.132.

[6] I. Ariawan, A. A. Rosalia, L. Anzani, W. A. Arifin, L. O. A. Minsaris, and L. Lukman, “IDENTIFIKASI SPESIES MANGROVE MENGGUNAKAN ALGORITME RANDOM FOREST,” Jurnal Kemaritiman: Indonesian Journal of Maritime, vol. 2, no. 2, pp. 118–128, Dec. 2021, doi: 10.17509/ijom.v2i2.33920.

[7] S. Ahmad Wisak et al., “IDENTIFIKASI JENIS MANGGA BERDASARKAN CIRI DAUN MENGGUNAKAN METODE CNN,” Jurnal Sistem Informasi dan Informatika (Simika) P-ISSN, vol. 7, no. 2, pp. 2622–6901, 2024.

[8] K. Anam, A. Saleh, and Haryono, “Autentikasi Daun Herbal Menggunakan Convolutional Neural Network dan Raspberry Pi (Authentication of Herbal Leaves Using Convolutional Neural Network and Raspberry Pi),” 2020.

[9] F. M. Nadhiem, D. P. Ibnugraha, and P. A. Kurniawan, “Pengendali Raspberry Pi Jarak Jauh Menggunakan Protokol Mqtt Berbasis Web,” 2023.

[10] F. Pridiatama and M. Agustin, “Rancang Bangun Smart Bathroom Berbasis Raspberry Pi,” 2021.

[11] R. Ardiansyah, Ferdiansyah, and I. Susanti, “Implementasi Sensor Infrared Dan Kamera Untuk Sistem Pengaman Site BTS Via Telegram Berbasis Raspberry Pi 3,” 2021.

[12] S. Mindasari, M. As’ad, and D. Meilantika, “Sistem Keamanan Kotak Amal di Musala Sabilul Khasanah Berbasis Arduino UNO,” Jurnal Teknik Informatika Mahakarya(JTIM), Dec. 2022.

[13] D. Iskandar Mulyana, M. Ainur Rofik, and M. Ohan Zoharuddin Zakaria, “Klasifikasi Kendaraan pada Jalan Raya menggunakan Algoritma Convolutional Neural Network ( CNN ),” 2022.

[14] R. S. Budiawan and B. Hartono, “Pengembangan Sistem Pendeteksi Jenis Sayuran dengan Metode CNN Berbasis Android,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 5, no. 1, p. 62, Mar. 2023, doi: 10.36499/jinrpl.v5i1.7833.

[15] S. Dewi, F. Ramadhani, and S. Djasmayena, “Klasifikasi Jenis Jerawat Berdasarkan Gambar Menggunakan Algoritma CNN (Convolutional Neural Network),” Hello World Jurnal Ilmu Komputer, vol. 3, no. 2, pp. 68–73, Jul. 2024, doi: 10.56211/helloworld.v3i2.518.

DOI: https://doi.org/10.20961/ijai.v10i1.109260

Refbacks

  • There are currently no refbacks.