IMPLEMENTASI DEEP LEARNING LENET DENGAN AUGMENTASI DATA PADA IDENTIFIKASI ANGGREK

RIZKI, FACHRUL (2023) IMPLEMENTASI DEEP LEARNING LENET DENGAN AUGMENTASI DATA PADA IDENTIFIKASI ANGGREK. Strata 1 thesis, Universitas Teknokrat Indonesia.

	Text (Full Skripsi) skripsi18312057.pdf - Published Version Download (2MB)
	Text (Abstrak) abstrak18312057.pdf - Published Version Download (77kB)
	Text (Bab I Pendahuluan) b118312057.pdf - Published Version Download (39kB)
	Text (Bab II Landasan Teori) b218312057.pdf - Published Version Download (409kB)
	Text (Daftar Pustaka) daftar_pustaka18312057.pdf - Bibliography Download (100kB)

Abstract

Indonesia merupakan salah satu negara dengan tingkat keanekaragaman hayati yang tinggi, salah satu keanekaragamaan hayati di Indonesia dengan memiliki spesies anggrek yang berjumlah 5.000 spesies dari 25.000 spesies anggrek yang ada didunia. Anggrek merupakan bagian dari kehidupan alam yang wajib kita rawat dan jaga untuk mempertahankan kelestariannya. Anggrek ini memiliki warna dan bentuk yang sangat menarik dan berbeda – beda pada setiap jenis anggreknya. Keanekaragaman anggrek ini cukup sulit untuk dikenali jika hanya melihat dari warna dan bentuknya saja. Penelitian ini memanfaatkan teknologi deep learning yang merupakan model jaringan syaraf tiruan yang sudah tersebar luas dan dikembangkan dalam pengenalan citra digital. Deep learning dapat digunakan sebagai teknologi dalam mengatasi permasalahan identifikasi spesies anggrek. Penilitian ini bertujuan untuk melihat nilai accuracy pelatihan model deep learning pada arsitektur LeNet menggunakan teknik augmentasi pada identifikasi anggrek. Dataset yang digunakan sebanyak 1600 citra kemudian dilakukan augmentasi pada dataset sehingga data menjadi 3200 citra. Tools yang digunakan pada proses pelatihan data adalah Google Colab. Hasil dari penelitian menunjukkan nilai akurasi pada LeNet yang menggunakan augmentasi rotate mencapai tingkat akurasi 81,88%.

Item Type:	Thesis (Strata 1)
Uncontrolled Keywords:	Anggrek, Deep Learning, LeNet, Augmentasi Data
Subjects:	INFORMATIKA > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Fakultas Teknik dan Ilmu Komputer > S1 Informatika
Depositing User:	Asep Haikal Kurniawan S.IP., M.A
Date Deposited:	16 Nov 2023 03:06
Last Modified:	16 Nov 2023 03:06
URI:	http://repository.teknokrat.ac.id/id/eprint/5211

Actions (login required)

View Item