Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Rekayasa Lampung (JRL)
Wasilah Wasilah
Program Studi Sistem Informasi IIB Darmajaya
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Comprehensive Evaluation of CNN Model Performance in Dogfruit Plant Classificatio Mardiana; Meizano Ardhi Muhammad; Yessi Mulyani; Martinus Martinus; Muhammad Afif Rafi Syaiim; Wasilah Wasilah
Jurnal Rekayasa Lampung Vol. 5 No. 1 (2026)
Publisher : Fakultas Teknik Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jrl.v5i1.101

Abstract

Jengkol (Archidendron pauciflorum) adalah tanaman hutan tropis Indonesia yang umum digunakan sebagai sumber pangan. Meskipun banyak digunakan sebagai bahan pangan, penelitian tentang klasifikasi morfologi Jengkol masih terbatas. Klasifikasi bagian-bagian Jengkol memiliki relevansi dalam bidang botani dan pertanian. CNN diterapkan untuk mengotomatisasi proses klasifikasi. Model akan dievaluasi dalam mengklasifikasi melalui analisis akurasi, precision, recall, dan f1-score. Model dilatih menggunakan 597 citra yang akan dibagi menjadi lima kelas. Model dilatih selama 200 epoch untuk meningkatkan kemampuan dalam mengenali pola visual antar kelas. Evaluasi kinerja diuji pada 120 citra yang dilakukan dengan mengukur akurasi, precision, recall, dan f1-score untuk setiap kelas. Hasil menunjukkan model mencapai akurasi 95%, dengan nilai precision dan f1-score tertinggi pada kelas batang (1.00), sedangkan kelas ranting memiliki f1-score terendah (f1-score 0.71). Ketidakseimbangan data antar kelas dan kemiripan visual antara ranting dan batang mempengaruhi hasil klasifikasi. Model CNN terbukti efektif untuk klasifikasi tanaman Jengkol pada kelas yang memiliki data lebih banyak dan fitur visual yang kuat.
Co-Authors Mardiana Martinus Martinus Meizano Ardhi Muhammad Muhammad Afif Rafi Syaiim Yessi Mulyani