Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Sakti Hutabarat
University of Riau
Computer Science & IT Education

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

Found 1 Documents
Search

 1 
Implementasi Deep learning untuk Identifikasi Daun Tanaman Obat Menggunakan Metode Transfer learning Noveri Lysbetti Marpaung; Rio Juan Hendri Butar Butar; Sakti Hutabarat
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.63895

Abstract

Tanaman obat adalah tanaman yang memiliki khasiat untuk digunakan sebagai obat penyembuhan atau pencegahan berbagai penyakit. Pemanfaatan tanaman obat di Indonesia sudah sangat umum dilakukan oleh masyarakat sejak zaman dahulu. Pengetahuan tentang tanaman obat juga diwariskan oleh nenek moyang sejak dulu. Tanaman obat memiliki bentuk daun yang hampir serupa antara satu tanaman dengan tanaman lainnya, terutama dari bentuk morfologi daun. Hal ini membuat beberapa masyarakat memiliki kekeliruan dalam mengidentifikasi daun tanaman obat. Dalam beberapa dekade terakhir, deep learning telah menjadi metode yang populer untuk mengidentifikasi objek. Deep learning memiliki kemampuan untuk dapat mengidentifikasi objek dengan tepat, sehingga sangat cocok digunakan untuk mengidentifikasi daun tanaman obat. Pada penelitian ini, metode transfer learning digunakan untuk mengidentifikasi tanaman obat. Transfer learning menggunakan model yang telah dilatih sebelumnya, sehingga dapat digunakan untuk data yang lebih sedikit dan memiliki waktu komputasi yang relatif lebih cepat. Pretrained model yang digunakan pada penelitian ini adalah MobileNetV2. Pada penelitian ini, teknik fine tune diterapkan untuk meningkatkan performa model. Beberapa percobaan dilakukan dengan parameter yang berbeda seperti epoch dan layer fine tune untuk mendapatkan hasil terbaik. Hasil penelitian ini mendapatkan akurasi 99% untuk training, 98% untuk validasi, dan 94% untuk pengujian.
Co-Authors Noveri Lysbetti M Rio Juan Hendri Butar Butar