Klasifikasi Tanaman Obat Berdasarkan Ekstraksi Fitur Morfologi Daun Menggunakan Jaringan Syaraf Tiruan

Kana Saputra S, Mochammad Iswan Perangin-Angin

Sari


Abstrak

 Indonesia telah lama mengenal dan menggunakan tanaman yang berkhasiat sebagai obat. Dari banyaknya tanaman obat yang ada di dunia, 80% tanaman obat tumbuh di hutan tropika yang berada di Indonesia. Sekitar 28.000 spesies tanaman tumbuh dan 1.000 spesies diantaranya telah digunakan sebagai  tanaman obat. Dengan banyaknya spesies tanaman obat dan tingkat kemiripan yang tinggi dapat menyebabkan kesalahan dalam proses identifikasi jenis tanaman obat. Sehingga dibutuhkan bantuan komputer untuk mengenali jenis tanaman obat tersebut. Tujuan dari penelitian ini adalah untuk mengidentifikasi jenis tanaman obat menggunakan jaringan syaraf tiruan backpropagation berdasarkan ekstraksi fitur morfologi daun. Hasilnya menujukkan bahwa perubahan nilai learning rate mempengaruhi hasil identifikasi jenis tanaman obat berdasarkan fitur morfologi daun. Hasil perhitungan rata-rata nilai recognition rate sebesar 90% untuk data training dan 75,56% untuk data testing terjadi saat learning rate 0,01. Nilai learning rate terbaik untuk identifikasi jenis tanaman obat adalah 0,01 dengan jumlah rata-rata epoch sebesar 11,67 dan MSE sebesar 0,13. Ini menunjukkan bahwa metode ekstraksi fitur morfologi daun dan algoritma jaringan syaraf tiruan backpropagation sangat baik digunakan untuk mengidentifkasi jenis tanaman obat.

 

Kata Kunci: Ekstraksi Fitur, Jaringan Syaraf Tiruan Backpropagation, Morfologi Daun, Tanaman Obat

 

Abstract

 Indonesia has known and used a nutritious plant as a medicine. most of the medicinal plants in the world that is 80% of medicinal plants grown in tropical forests in Indonesia. the plant grows about 28,000 species and 1,000 species of which have been used as medicinal plants. Many species of medicinal plants with a high degree of similarity can cause errors in the process of identifying medicinal plants. Because the problem was needed computer assistance to recognize the types of medicinal plants. This research proposed to identify species of medicinal plants using backpropagation artificial neural network based on leaf morphological feature extraction. The results showed that changes in the value of learning rate influence the identification of medicinal plant species based on leaf morphology features. The calculation average of recognition rate is 90% for training data and 75.56% for data testing occurs at learning rate 0.01. The best learning rate for plant species identification is 0.01 with epoch average is 11.67 and MSE is 0.13. The results of this research concluded that the leaf morphology feature extraction method and backpropagation artificial neural network algorithm are very well used to identify the types of medicinal plants.

 

Keywords: Backpropagation Artificial Neural Network, Feature Extraction, Leaf Morphology, Medicinal Plant


Kata Kunci


Ekstraksi Fitur, Jaringan Syaraf Tiruan Backpropagation, Morfologi Daun, Tanaman Obat

Teks Lengkap:

PDF

Referensi


Dalimunthe, F. H. (2016). Perancangan aplikasi mengidentifikasi penyakit mata dengan menggunakan metode backpropagation. Jurnal Riset Komputer, 3(1), 7–11.

Manik, F. Y., Herdiyeni, Y., & Herliyana, E. N. (2016). Leaf Morphological Feature Extraction of Digital Image Anthocephalus Cadamba. TELKOMNIKA (Telecommunication Computing Electronics and Control), 14(2), 630. https://doi.org/10.12928/telkomnika.v14i2.2675

Manik, F. Y., & Saragih, K. S. (2017). Klasifikasi Belimbing Menggunakan Naïve Bayes Berdasarkan Fitur Warna RGB. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 11(1), 99. https://doi.org/10.22146/ijccs.17838

Mukminin, A., & Riana, D. (2017). Komparasi Algoritma C4 . 5 , Naïve Bayes Dan Neural Network Untuk Klasifikasi Tanah. Jurnal Informatika, 4(1), 21–31.

Novita, A. (2016). Prediksi Pergerakan Harga Saham Pada Bank Terbesar Di Indonesia Dengan Metode Backpropagation Neural Network. Jutisi, 05(01), 965–972.

Pandu Cynthia, E., & Ismanto, E. (2017). Jaringan Syaraf Tiruan Algoritma Backpropagation dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau. Rabit, 2(2), 196–209. Retrieved from http://jurnal.univrab.ac.id/index.php/rabit/article/view/152

Pribadi, E. (2009). Pasokan dan Permintaan Tanaman Obat Indonesia serta Arah Penelitian dan Pengembangannya. Perspektif, 8(1), 52–64. https://doi.org/10.21082/p.v8n1.2009.%25p

Ramdhani, Y., Susanti, S., Adiwisastra, M. F., & Topiq, S. (2018). Penerapan Algoritma Neural Network Untuk Klasifikasi Kardiotokografi.

Saragih, K. S., & Wahyuni, S. (2018). Identifikasi Jenis Tanaman Berdasarkan Ekstraksi Fitur Morfologi Daun Menggunakan K - Nearest Neighbor. Jurnal Teknik Dan Informatika, 5(1), 24–29.

Sari, L. O. R. K. (2006). Pemanfaatan Obat Tradisional Dan Keamanannya. Majalah Ilmu Kefarmasian, III(1), 1–7. https://doi.org/10.7454/PSR.V3I1.3394




DOI: https://doi.org/10.31311/ji.v5i2.3770

##submission.license.cc.by4.footer##

 dipublikasikan oleh LPPM UBSI
Jl. Kamal Raya No. 18 Cengkareng, Jakarta Barat