Penerapan Arsitektur CNN EfficientNet-B1 Untuk Klasifikasi Tanaman Hias Tropis
Abstract
Penelitian ini bertujuan mengembangkan metode klasifikasi tanaman hias tropis Indonesia menggunakan Jaringan Saraf Tiruan Konvolusional (CNN) dengan arsitektur EfficientNet-B1 berbasis pembelajaran transfer. Indonesia memiliki keanekaragaman tanaman hias yang tinggi, namun identifikasi spesies masih menjadi tantangan karena kemiripan morfologi antar jenis. Untuk mengatasi hal ini, penelitian menerapkan tahapan prapemrosesan data, pelatihan model, dan pengujian menggunakan dataset dari Kaggle, yang dibagi dalam tujuh skenario evaluasi. Parameter kinerja yang digunakan meliputi akurasi, presisi, recall, dan skor F1. Hasil pengujian menunjukkan bahwa model EfficientNet-B1 yang telah dilatih sebelumnya masih mengalami kesulitan dalam membedakan beberapa kelas tanaman hias tropis dari objek non-tanaman. Namun, skenario 1 menghasilkan performa terbaik dengan akurasi 98% dan skor F1 sebesar 97,92%, serta keseimbangan antara presisi dan recall yang optimal.
Analisis menunjukkan bahwa keberhasilan model sangat dipengaruhi oleh kualitas dan keseimbangan dataset, serta proses penyetelan hiperparameter yang tepat. Oleh karena itu, penelitian ini merekomendasikan optimasi lanjutan melalui teknik augmentasi data untuk menambah variasi citra, penyeimbangan kelas, dan penyesuaian parameter pelatihan agar model mampu mengenali lebih baik berbagai spesies tanaman hias tropis. Dengan peningkatan tersebut, metode ini berpotensi diterapkan dalam sistem identifikasi otomatis tanaman hias yang dapat membantu bidang hortikultura, konservasi, dan perdagangan tanaman tropis di Indonesia.
Keywords
Full Text:
PDFReferences
Safitri, T., Rahmawati, T., Wafidah, S.M., Mu’tmainah, T.A., dan Rendra RS, E. 2024, Analisis Potensi Pemanfaatan Flora Lokal Dalam Bisnis Florist Studi: Gisya Florist Di Kecamatan Mangkubumi Kota Tasikmalaya, Tolis Ilmiah : Jurnal Penelitian.
Udjulawa, D., 2023, Klasifikasi tanaman hias berdasarkan tekstur daun menggunakan metode SVM dan fitur GLCM, Klik - Jurnal Ilmu Komputer, Vol. 3, No. 2, pp.121-127, doi: 10.56869/klik.v3i2.418.
Alzubaidi, L., Zhang, J., Humaidi, A.J., Al-dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J.I., Fadhel, M.A., Al-Amidie, M. dan Farhan, L. 2021, Review of deep learning: concepts, CNN architectures, challenges, applications, future directions, Journal of Big Data, 8.
Aryadi I. dan Suhendar, A., 2024, Implementasi Arsitektur Xception Dalam Menentukan Kematangan Tandan Buah Segar Kelapa Sawit, Jurnal JUTISI, vol. 13, no. 3, pp. 2235-2247.
Ersyad, M. Z., Ramadhani, K. N. dan Arifianto, A., 2020, Pengenalan Bentuk Tangan dengan Convolutional Neural Network (CNN), e-Proceeding of Engineering, vol. 7, no. 2, hlm. 8212-8222.
Tama, A.M. dan Santi, R.C.N., 2023, Klasifikasi Jenis Tanaman Hias Menggunakan Metode Convolutional Neural Network (CNN), Journal of Information Technology and Computer Science (INTECOMS), Vol. 6, No. 2, pp.764-770.
Purwanto dan Sumardi, 2022, Perancangan Klasifikasi Tanaman Herbal Menggunakan Transfer Learning Pada Algoritma Convolutional Neural Network (CNN), Jurnal INFOKAM, vol. 18, no. 2.
Hardirega, A., Jaelani, I. dan Minarto, 2024, Implementasi Convolutional Neural Network (CNN) Klasifikasi Motif Batik Menggunakan Efficientnet-B1, Jurnal Mahasiswa Teknik Informatika (JATI), vol. 8, no. 5.
Tan, M. dan Le, Q.V., 2020, EfficientNet: Rethinking model scaling for convolutional neural networks, arXiv preprint, 2020.
Mardianto, Y., Dewi, T. dan Risma, P., 2024, Analisis Klasifikasi Kematangan Buah Tomat dengan Pendekatan Transfer Learning Model EfficientNet, Jurnal Techno Bahari, vol. 11, no. 1, pp. 20-25.
Rahman, A., Salim, M. dan Riadi. I., 2025, Klasifikasi Citra Spesies Bunga di Indonesia Berbasis Convolutional Neural NetworkMenggunakan Teknik Transfer Learning, Jurnal JSECI, vol. 2, no. 2, pp. 92-100.
Suryanegara, G.A.B., Adiwijaya, dan Purbolaksono, M. D., 2021, Peningkatan hasil klasifikasi pada algoritma Random Forest untuk deteksi pasien penderita diabetes menggunakan metode normalisasi, Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 114-122.
Widyaningsih, M., Priyambodo, T.K., Wibowo, M.E. dan Kamal, M. 2023“Optimization Contrast Enhancement and Noise Reduction for Semantic Segmentation of Oil Palm Aerial Imagery”, International Journal of Intelligent Engineering and Systems, 16 (1). pp. 597-609. ISSN 2185310X, 2023.
Falakhi, B., Achmal, F.F., Rizaldi, M.I., Athallah, R.R. dan Yudistira, N., 2022, Perbandingan Model AlexNet dan ResNet dalam Klasifikasi Citra Bunga Memanfaatkan Transfer Learning, Jurnal Ilmu Komputer dan Agri-Informatika.
Wulandari, K.A., Nugraha, A.R., Luthfiarta, A. dan Nisa, L.R., 2024, Peningkatan Akurasi Deteksi Dini Penyakit Parkinson melalui Pendekatan Ensemble Learning dan Seleksi Fitur Optimal, Edumatic: Jurnal Pendidikan Informatika.
Alhafis, G.Y., Jasril, J., Sanjaya, S., Syafria, F. dan Budianita, E., 2022, Klasifikasi citra daging sapi dan daging babi menggunakan ekstraksi ciri dan Convolutional Neural Network, JURIKOM (Jurnal Riset Komputer), vol. 9, no. 3, pp. 653-660.
DOI: http://dx.doi.org/10.30872/jurti.v10i1.22884
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 Jurnal Rekayasa Teknologi Informasi (JURTI)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Alamat Redaksi :
Program Studi Informatika
Fakultas Teknik
Jl. Sambaliung No. 9 Kampus Gunung Kelua Samarinda 75119 - Kalimantan Timur
e-mail : jurti.unmul@fkti.unmul.ac.id
Url : http://e-journals.unmul.ac.id/index.php/INF
Contact Person : Medi Taruk [08195075640]
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.