PENERAPAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) ARSITEKTUR RESNET-50 PADA KLASIFIKASI CITRA TANAMAN ANGGREK
Perkembangan teknologi pengolahan citra digital dan deep learning dapat diterapkan pada berbagai bidang. Salah satu implementasinya adalah pada berbagai genus tanaman anggrek. Kesalahan identifikasi tidak hanya menghambat proses budidaya tetapi juga dapat mengurangi nilai keanekaragaman hayati dan nilai jual tanaman. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi kinerja algoritma Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk mengklasifikasikan lima genus tanaman anggrek Cattleya, Dendrobium, Oncidium, Phalaenopsis, dan Vanda berdasarkan citra daun dan morfologi tanaman. Penelitian ini menggunakan dataset publik dari Kaggle yang terdiri dari 4000 citra latih dan 2500 citra uji. Metode validasi silang Stratified K-Fold (K=4) diterapkan untuk memastikan evaluasi model yang robust. Serangkaian eksperimen dilakukan dengan membandingkan tiga fungsi optimasi (Stochastic Gradient Descent/SGD, Adam, dan RMSprop) serta variasi batch size (32, 64, dan 128). Hasil penelitian menunjukkan bahwa konfigurasi terbaik dicapai menggunakan optimizer SGD dengan batch size 32, yang menghasilkan rata-rata akurasi validasi tertinggi sebesar 97,52% pada seluruh fold dengan nilai presisi, recall, dan F1-score yang konsisten tinggi di semua kelas. Hasil ini membuktikan bahwa arsitektur ResNet-50 dengan konfigurasi yang tepat menyesuaiakan batch size yang digunakan sangat efektif untuk klasifikasi citra tanaman anggrek
URI
https://repo.itera.ac.id/depan/submission/SB2511230005
Keyword