Deteksi Jenis Daun Teh Klon Seri GMB Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur GoogLeNet
Abstract
Varietas Assamica merupakan salah satu dari berbagai macam varietas teh yang ada di Indonesia. Varietas ini diantaranya terdapat sebelas klon yang dikenal sebagai klon seri GMB. Klon ini sudah diteliti oleh Pusat Penelitian Teh dan Kina (PPTK), dengan penamaan GMB 1-11. Namun, tidak banyak orang yang dapat membedakan sebelas klon ini secara visual. Beberapa faktor penyebab sulitnya membedakan jenis klon seri GMB adalah struktur dan warna yang memiliki banyak kesamaan. Klon seri GMB memiliki kapasitas produksi yang berbeda, sehingga berpengaruh pada tingkat keuntungan penanamannya. Sebelumnya telah dilakukan penelitian perancangan sistem untuk mengklasifikasi lima dari sebelas jenis daun teh klon seri GMB tersebut, namun tingkat akurasi belum sesuai dengan harapan. Pada penelitian ini digunakan bahasa pemrograman Python dengan metode Convolutional Neural Network (CNN) dengan arsitektur GoogLeNet sebagai pengolahan citra digital dari data set daun teh klon seri GMB. Hasil yang didapatkan dari penelitian ini adalah sistem dengan kemampuan mengklasifikasikan sebelas daun teh klon seri GMB menggunakan metode CNN dengan arsitektur GoogLeNet. Sistem mengolah data hasil augmentasi, dengan data latih sebanyak 2640 dan data uji sebanyak 220. Sistem mencapai akurasi sebesar 60,55%, 2,74 loss, dan presisi sebesar 63% menggunakan Adam Optimizer dengan learning rate 0,0001.
Downloads
Copyright (c) 2023 Nur Ibrahim, Syamsul Rizal, Heri Syahrian, Vitria Puspitasari Rahadi, dan Alvian Ihza Fahmi
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
a. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
b. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
c. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (SeeĆ The Effect of Open Access).