Klasifikasi Daun Teh Klon Seri GMB Menggunakan Convolutional Neural Network dengan Arsitektur VGG16 dan Xception
DOI:
10.51519/journalita.v5i1.540Keywords:
Augmentasi, Klasifikasi, CNN, Teh, VGG16, XceptionAbstract
Indonesia memiliki tingkat konsumsi teh tertinggi di dunia, di mana kualitas daun teh sangat bergantung pada lokasi tumbuhnya. Untuk mengidentifikasi jenis teh, sistem otomatisasi dengan pengolahan citra digital digunakan. Penelitian ini membandingkan dua arsitektur model yaitu dengan augmentasi data dan tanpa augmentasi dalam mengklasifikasikan daun teh klon seri GMB 1-5. Hasil penelitian menunjukkan bahwa model CNN tanpa augmentasi memberikan akurasi yang lebih tinggi dibandingkan dengan yang menerapkan augmentasi. Secara spesifik, model Xception tanpa augmentasi mencapai akurasi 98%, sedangkan VGG16 tanpa augmentasi mencapai 95%. Sebaliknya, model dengan augmentasi memperoleh akurasi 92% untuk Xception dan 94% untuk VGG16. Temuan ini menunjukkan bahwa, dalam konteks dataset terbatas, model tanpa augmentasi cenderung lebih akurat karena menghindari overfitting yang sering terjadi pada dataset kecil.
Indonesia has the highest tea consumption rate in the world, where the quality of tea leaves is heavily dependent on their growing location. To identify tea types, an automation system using digital image processing is employed. This study compares two model architectures: one with data augmentation and one without, in classifying GMB 1-5 series tea leaves. The results indicate that the CNN model without augmentation achieved higher accuracy compared to the one with augmentation. Specifically, the Xception model without augmentation reached an accuracy of 98%, while VGG16 without augmentation achieved 95%. In contrast, the model with augmentation achieved 92% accuracy for Xception and 94% for VGG16. These findings suggest that, in the context of a limited dataset, models without augmentation tend to be more accurate as they avoid overfitting commonly encountered with small datasets.
References
D. Effendi and D. A. Wahidy, “Pemanfaatan Teknologi Dalam Proses Pembelajaran Menuju Pembelajaran Abad 21,” Prosiding Seminar Nasional Pendidikan Program Pascasarjana Universitas Pgri Palembang, pp. 125–129, 2019.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun ACM, vol. 60, no. 6, pp. 84–90, 2017, doi: 10.1145/3065386.
?Bambang Sriyadi, “Analisis kemiripan morfologi daun beberapa klon teh generasi pertama Analysis of leaves morphology similarity of several first-generation tea clones Bambang Sriyadi,” Jurnal Penelitian Teh dan Kina, vol. 15, no. 2, pp. 51–58, 2012.??????????
Rima Dias Ramadhani, A. Nur Aziz Thohari, C. Kartiko, A. Junaidi, T. Ginanjar Laksana, and N. Alim Setya Nugraha, “Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 312–318, 2021, doi: 10.29207/resti.v5i2.2754.
Y. B. E. Purba, N. F. Saragih, A. P. Silalahi, and ..., “Perancangan Alat Pendeteksi Kematangan Buah Nanas Dengan Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network (CNN),” Jurnal Ilmiah Teknik …, vol. 2, no. 1, pp. 13–21, 2022.
W. M. Pradnya D and A. P. Kusumaningtyas, “Analisis Pengaruh Data Augmentasi Pada Klasifikasi Bumbu Dapur Menggunakan Convolutional Neural Network,” Jurnal Media Informatika Budidarma, vol. 6, no. 4, p. 2022, 2022, doi: 10.30865/mib.v6i4.4201.
N. Ibrahim et al., “Jurnal Sains Teh dan Kina Klasifikasi Citra Klon Teh Seri GMB Menggunakan Convolu-tional Neural Network (CNN) dengan Arsitektur Resnet, Vgg-net, dan Alexnet Classification of Gmb Series Tea Clone Image Using Convolutional Neural Network (CNN) with Resnet,” Jurnal Sains Teh dan Kina, vol. 1, no. 2, 2022.
R. Rikendry and A. Maharil, “Perbandingan Arsitektur Vgg16 Dan Resnet50 Untuk Rekognisi Tulisan Tangan Aksara Lampung,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 3, no. 2, pp. 236–243, 2022, doi: 10.33365/jatika.v3i2.2030.
A. A. Jaelani, F. Y. Supratman, and N. Ibrahim, “Perancangan Aplikasi Untuk Klasifikasi Klon Daun Teh Seri Gambung (GMB) Menggunakan Algoritma Convolutional Neural Network,” eProceedings of Engineering, vol. 7, no. 2, pp. 2920–2928, 2020.
I. Pratama, Y. Pristyanto, and P. T. Prasetyaningrum, “Imbalanced Class handling and Classification on Educational Dataset,” ICOIACT 2021 - 4th International Conference on Information and Communications Technology: The Role of AI in Health and Social Revolution in Turbulence Era, pp. 180–185, 2021, doi: 10.1109/ICOIACT53268.2021.9563968.
I. Pratama and P. T. Prasetyaningrum, “Pemetaan Profil Mahasiswa Untuk Peningkatan Strategi Promosi Perguruan Tinggi Menggunakan Predictive Apriori,” Jurnal Eksplora Informatika, vol. 10, no. 2, pp. 159–166, 2021, doi: 10.30864/eksplora.v10i2.505.
M. Rahman and A. Pambudi, “Identifikasi Citra Daun Selada Dalam Menentukan Kualitas Tanaman Menggunakan Algoritma Convolutional Neural Network (Cnn),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 11, no. 3, pp. 851–858, 2023.
I. W. Suartika E. P, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” Jurnal Teknik ITS, vol. 5, no. 1, p. 76, 2016.
S. Roopashree and J. Anitha, “DeepHerb: A Vision Based System for Medicinal Plants Using Xception Features,” IEEE Access, vol. 9, pp. 135927–135941, 2021, doi: 10.1109/ACCESS.2021.3116207.
N. Hardi and J. Sundari, “Pengenalan Telapak Tangan Menggunakan Convolutionall Neural Network (CNN),” Reputasi: Jurnal Rekayasa Perangkat Lunak, vol. 4, no. 1, pp. 10–15, 2023, doi: 10.31294/reputasi.v4i1.1951.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Alphi Rinaldi Nalendra Mukti, Putri Taqwa Prasetyaningrum
This work is licensed under a Creative Commons Attribution 4.0 International License.