<![CDATA[AbstrakKlasifikasi tanaman hias bertujuan untuk mempermudah media sosial tanaman hias dalam mengategorikan citra, sehingga sistem dapat merekomendasikan konten sesuai dengan preferensi pengguna. Pengguna berpotensi merasa cepat bosan apabila konten hanya ditampilkan secara acak. Penelitian ini melakukan Integration of Convolution with Capsule Network (ICCN) dengan menggabungkan beberapa lapisan strided convolution dan Capsule Network (CapsNet) untuk menghasilkan model klasifikasi yang memiliki komputasi lebih rendah dibandingkan original CapsNet dan mampu mengatasi permasalahan invariant of translation pada Convolutional Neural Network (CNN). Sebanyak 3 lapisan convolution dengan kernel berukuran 3x3 dan stride 2 ditambahkan pada CapsNet untuk membantu mengekstraksi citra dan mengurangi jumlah parameter yang dilatih. Hasil penelitian menunjukkan ICCN yang diusulkan memiliki jumlah parameter 2 kali lebih sedikit daripada original CapsNet dan memiliki akurasi lebih tinggi dibandingkan dengan CNN yaitu sebesar 95% sementara CNN berakurasi 93%.Kata kunci: tanaman hias, klasifikasi citra, cnn, capsnet, integrasiAbstractThe aim of ornamental plant classification is to assist ornamental plant social media in categorizing images, so the system is able to recommend content based on user preferences. Showing content randomly can lead to user boredom. This research implements Integration of Convolution with Capsule Network (ICCN) by combining several layers of strided convolution with Capsule Network (CapsNet) to create a classification model that has lower computation compared to the original CapsNet and able to address the issue of invariant of translation in Convolutional Neural Network (CNN). There are 3 convolutional layers with 3x3 kernel and stride of 2 added to CapsNet to assist in image extraction and reduce the number of trainable parameters. The research results showed that the proposed ICCN has 2 times fewer trainable parameters than the original CapsNet and achieves higher accuracy than CNN, with 95% accuracy, while CNN has an accuracy of 93%.Keywords: ornamental plants, image classification, cnn, capsnet, integration]]>
