Klasifikasi Skala Kerapatan dan Transparansi Tajuk Jenis Daun Jarum dengan VGG16
Classification of Density and Transparency Scales of Needle Leaf Types with VGG16
DOI:
https://doi.org/10.57152/malcom.v3i2.940Keywords:
CNN, Daun Jarum, Kerapatan, Transparansi, VGG16Abstract
Artikel ini membahas penggunaan deep learning, khususnya arsitektur Convolutional Neural Network (CNN) VGG16, untuk mengklasifikasikan tingkat kerapatan dan transparansi tajuk pada pohon jenis daun jarum. Penelitian ini mengumpulkan gambar dari empat jenis pohon daun jarum: araucaria heterophylla, pinus merkusii, cupressus retusa, dan shorea javanica, masing-masing dengan sepuluh tingkat kerapatan dan transparansi yang berbeda. Setiap jenis memiliki 1000 gambar yang telah di-label. Proses preprocessing melibatkan perubahan ukuran, dan augmentasi gambar. Data dibagi menjadi data training (70%), data validation (10%), dan data testing (20%). Model deep learning yang digunakan adalah VGG16 dengan hyperparameter yang telah ditentukan. Hasil pelatihan model menunjukkan bahwa VGG16 berhasil mengklasifikasikan pohon daun jarum dengan tingkat akurasi yang baik. Hasil akurasi mencapai 90.00% untuk pinus merkusii, 92.00% untuk araucaria heterophylla, 96.00% untuk cupressus retusa, dan bahkan 99.00% untuk shorea javanica. Hasil evaluasi juga mencakup precision, recall, dan F1-score untuk setiap kelas kerapatan dan transparansi. Kesalahan prediksi terutama terjadi pada kelas dengan tingkat kesamaan visual yang tinggi antar gambar. Penelitian ini membuktikan bahwa teknologi deep learning dapat digunakan untuk mengklasifikasikan tingkat kerapatan dan transparansi tajuk pada pohon daun jarum. Hasilnya dapat digunakan dalam pemantauan kesehatan hutan, membantu pemerintah dan organisasi terkait dalam pengelolaan hutan yang berkelanjutan.
References
D. Pertiwi, R. Safe, and H. Kaskoyo, “Identifikasi Kondisi Kerusakan Pohon Menggunakan Metode Forest Health Monitoring di Tahura WAR Provinsi Lampung Identification of Tree Damage Condition Using the Forest Health Monitoring Method at Tahura WAR Lampung Province,” J. Perenn., vol. 15, no. 1, pp. 1–7, 2019, [Online]. Available: http://journal.unhas.ac.id/index.php/perennial
R. Safe’i, A. Darmawan, H. Kaskoyo, and C. F. G. Rezinda, “Analysis of Changes in Forest Health Status Values in Conservation Forest (Case Study: Plant and Animal Collection Blocks in Wan Abdul Rachman Forest Park (Tahura WAR)),” J. Phys. Conf. Ser., vol. 1842, no. 1, 2021, doi: 10.1088/1742-6596/1842/1/012049.
R. Safe’i, C. Wulandari, and H. Kaskoyo, “Forest Health Assessment of Various Forest Types in Lampung Province (in Bahasa?: Penilaian Kesehatan Hutan pada Berbagai Tipe Hutan di Provinsi Lampung),” J. Sylva Lestari, vol. 7, no. 1, pp. 95–109, 2019.
Supriyanto and T. Iskandar, “Penilaian Kesehatan Kebun Benih Semai Pinus Merkusii Dengan Metode FHM (Forest Health Monitoring) di KPH Sumedang Health Assessment for Seedling Seed Orchard of Pinus merkusii Using FHM (Forest Health Monitoring) Method in KPH Sumedang,” J. Trop. Silvic., vol. 9, no. 2, pp. 99–108, 2019, doi: 10.29244/j-siltrop.9.2.99-108.
D. Pertiwi, R. Safe’i, and H. Kaskoyo, “Kesehatan Hutan Di Blok Koleksi Tumbuhan Dan/Atau Satwa Tahura Wan Abdul Rachman Provinsi Lampung,” J. Hutan Trop., vol. 8, no. 3, p. 251, 2020, doi: 10.20527/jht.v8i3.9623.
I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma Convolutional Neural Network (Cnn),” J. Gaussian, vol. 9, no. 3, pp. 273–282, 2020, doi: 10.14710/j.gauss.v9i3.27416.
A. S. Almryad and H. Kutucu, “Automatic identification for field butterflies by convolutional neural networks,” Eng. Sci. Technol. an Int. J., vol. 23, no. 1, pp. 189–195, 2020, doi: 10.1016/j.jestch.2020.01.006.
M. Tripathi, “Analysis of Convolutional Neural Network based Image Classification Techniques,” J. Innov. Image Process., vol. 3, no. 2, pp. 100–117, 2021, doi: 10.36548/jiip.2021.2.003.
M. Fasounaki, E. B. Yüce, S. Öncül, and G. Ince, “CNN-based Text-independent Automatic Speaker Identification Using Short Utterances,” Proc. - 6th Int. Conf. Comput. Sci. Eng. UBMK 2021, vol. 01, pp. 413–418, 2021, doi: 10.1109/UBMK52708.2021.9559031.
M. A. Hasan, Y. Riyanto, and D. Riana, “Grape leaf image disease classification using CNN-VGG16 model,” J. Teknol. dan Sist. Komput., vol. 9, no. 4, pp. 218–223, 2021, doi: 10.14710/jtsiskom.2021.14013.
C. Narvekar and M. Rao, “Flower classification using CNN and transfer learning in CNN-Agriculture Perspective,” Proc. 3rd Int. Conf. Intell. Sustain. Syst. ICISS 2020, pp. 660–664, 2020, doi: 10.1109/ICISS49785.2020.9316030.
H. Wang, “Garbage recognition and classification system based on convolutional neural network vgg16,” Proc. - 2020 3rd Int. Conf. Adv. Electron. Mater. Comput. Softw. Eng. AEMCSE 2020, pp. 252–255, 2020, doi: 10.1109/AEMCSE50948.2020.00061.
S. Tang, S. Yuan, and Y. Zhu, “Data Preprocessing Techniques in Convolutional Neural Network Based on Fault Diagnosis towards Rotating Machinery,” IEEE Access, vol. 8, pp. 149487–149496, 2020, doi: 10.1109/ACCESS.2020.3012182.
J. Sanjaya and M. Ayub, “Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 311–323, 2020, doi: 10.28932/jutisi.v6i2.2688.
C. Shorten a
d T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, 2019, doi: 10.1186/s40537-019-0197-0.
L. Alzubaidi et al., Review of deep learning: concepts, CNN architectures, challenges, applications, future directions, vol. 8, no. 1. Springer International Publishing, 2021. doi: 10.1186/s40537-021-00444-8.
A. E. Maxwell, T. A. Warner, and L. A. Guillén, “Accuracy assessment in convolutional neural network-based deep learning remote sensing studies—part 2: Recommendations and best practices,” Remote Sens., vol. 13, no. 13, 2021, doi: 10.3390/rs13132591.
R. Ramadhan, I. Fibriani, and W. Cahyadi, “Application of Microexpressions to Recognize Kinship Using Extreme Learning Machine Penerapan Microexpressions untuk Mengenali Hubungan Kekerabatan Menggunakan Extreme Learning Machine,” vol. 1, no. October, pp. 162–169, 2021, [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/101
R. Andonie and A. C. Florea, “Weighted random search for CNN hyperparameter optimization,” Int. J. Comput. Commun. Control, vol. 15, no. 2, pp. 1–11, 2020, doi: 10.15837/IJCCC.2020.2.3868.
R. J. Gunawan, B. Irawan, and C. Setianingsih, “Pengenalan Ekspresi Wajah Berbasis Convolutional Neural Network Dengan Model Arsitektur VGG16,” Engineering, vol. 8, no. 5, pp. 6442–6454, 2021.
H. Iwata, Y. Hayashi, A. Hasegawa, K. Terayama, and Y. Okuno, “Classification of scanning electron microscope images of pharmaceutical excipients using deep convolutional neural networks with transfer learning,” Int. J. Pharm. X, vol. 4, no. August, p. 100135, 2022, doi: 10.1016/j.ijpx.2022.100135.
R. Windiawan, A. Suharso, and S. Artikel, “Identifikasi Penyakit pada Daun Kopi Menggunakan Metode Deep Learning VGG16,” J. Keilmuan dan Apl. Tek. Inform., vol. 13, no. 2, pp. 9–16, 2021, [Online]. Available: https://doi.org/10.35891/explorit
