Implementasi Deep Learning Menggunakan Algoritma Convolutional Neural Network Pada Klasifikasi Citra Bunga Mawar

Abstract

Indonesia merupakan salah satu negara agraris di dunia. Flora di Indonesia memiliki sekitar 25% spesies dari spesies tumbuhan berbunga yang ada di dunia. Bunga mawar merupakan salah satu jenis tumbuhan berbunga dan biasanya digunakan sebagai tanaman hias yang mempunyai batang berduri. Bunga mawar memiliki lebih dari 150 spesies. Di Indonesia terdapat beberapa taman bunga yang memiliki luas yang lumayan besar. Salah satu taman bunga yang terkenal di Indonesia terdapat di daerah provinsi Jawa Timur, yaitu berada di kota Malang. Taman bunga yang ada di Malang memiliki beberapa varietas bunga mawar yang banyak serta memiliki produktivitas bunga mawar yang cukup besar. Untuk membantu sistem penjualan bunga mawar disana, maka peneliti ingin membuat sebuah program yang dapat mengklasifikasikan jenis bunga mawar agar dapat membantu mempermudah sistem penjualan otomatis bunga mawar tanpa melalui sortasi manual. Sehingga nantinya akan mempercepat penjualan bunga mawar dengan sistem yang otomatis. Orang biasa dengan pengetahuan mengenai botani yang terbatas tidak akan tahu jenis bunga yang tepat hanya dengan melihatnya. Untuk mengklasifikasikan bunga dengan benar, penting untuk memberikan informasi yang cukup yang salah satunya adalah nama bunga. Convolutional Neural Network (CNN) merupakan salah satu metode deep learning yang dapat digunakan untuk proses klasifikasi gambar. Desain dari Convolutional Neural Network ini termotivasi dari penemuan mekanisme visual, yaitu korteks visual yang ada di otak. CNN telah banyak digunakan dalam banyak aplikasi di dunia nyata, misalnya pengenalan wajah (Face Recognition), pengenalan dan klasifikasi gambar (Image Classification and Recognition) serta deteksi objek (Object Detection) karena metode ini merupakan salah satu metode yang paling efisien untuk mengekstrasi fitur-fitur penting. Pada penelitian ini, nilai akurasi klasifikasi yang diperoleh dari data uji sebesar 96,33% menggunakan citra masukan RGB dengan ukuran 32 x 32 piksel yang dilatih dengan algoritma CNN serta memiliki struktur jaringan empat lapisan konvolusi dan empat lapisan pooling yang didukung dengan teknik dropout.