IMPLEMENTASI DENSENET-121 UNTUK KLASIFIKASI BAHAN DASAR JAM

Kereh, Veron Andreas Vesalius and Angdresey, Apriandy and Kairupan, Indah Yessi (2024) IMPLEMENTASI DENSENET-121 UNTUK KLASIFIKASI BAHAN DASAR JAM. Skripsi thesis, UNIVERSITAS KATOLIK DE LA SALLE MANADO.

	PDF COVER-LEMBAR_PENGESAHAN_VeronKereh.pdf Download (414kB)
	PDF ABSTRAK_VeronKereh.pdf Download (67kB)
	PDF KATA_PENGANTAR-DAFTAR_ISI_VeronKereh.pdf Download (227kB)
	PDF BAB_I_VeronKereh.pdf Download (40kB)
	PDF BAB_II-LAMPIRAN_VeronKereh.pdf Restricted to Repository staff only Download (1MB)

Official URL: https://digilib.unikadelasalle.ac.id/

Abstract

Jamu telah menjadi bagian dari budaya Indonesia sejak lama dan dikonsumsi secara luas sebagai minuman tradisional dengan banyak khasiat. Meskipun awalnya populer di pulau Jawa, jamu kini juga dikonsumsi oleh masyarakat di luar Jawa. Jamu, yang terdiri dari berbagai tanaman herbal, dimanfaatkan sebagai swamedikasi untuk mengobati penyakit tanpa konsultasi medis. Data Riset Kesehatan Dasar (RISKESDAS) 2018 menunjukkan bahwa 59,12% masyarakat Indonesia mengonsumsi jamu.
Anak muda saat ini, menghadapi tantangan dalam meracik jamu sendiri, dikarenakan kurangnya pengetahuan tentang bahan-bahan yang digunakan. Untuk menjaga kelestarian tradisi ini, pengetahuan tentang jamu perlu ditingkatkan dengan memanfaatkan teknologi modern. Tugas akhir ini bertujuan untuk mendalami minuman jamu tradisional melalui penerapan model DenseNet-121 yang dipergunakan dalam klasifikasi bahan dasar penyusun jamu. Penelitian ini dapat memberikan kontribusi dalam mengenali komposisi bahan yang diperlukan untuk membuat jamu, sehingga anak muda dapat lebih memahami pembuatan, khasiat, dan komposisi minuman jamu.
Convolutional Neural Network (CNN) adalah algoritma dalam pengolahan citra dan pengenalan pola yang dapat belajar fitur-fitur penting dari data citra. Beberapa penelitian menunjukkan keberhasilan CNN dalam berbagai klasifikasi, seperti AlexNet untuk penyakit kulit, ResNet50 untuk spesies hiu, dan DenseNet-121 untuk diagnosis defisiensi nutrisi dalam beras.
Hasil pengujian dari tugas akhir ini menunjukkan bahwa model DenseNet-121 memberikan performa yang baik, yang ditunjukkan melalui Confusion Matrix dan evaluasi uji data. Selain itu, fitur-fitur dalam aplikasi berjalan sesuai dengan yang diinginkan dan berfungsi dengan baik. Aplikasi juga mampu mengklasifikasikan gambar yang dimasukkan secara tunggal. Performa model DenseNet-121 pada 5037 data gambar yang terbagi menjadi 4080 data latih, 453 data validasi dan 504 data uji mendapatkan dengan akurasi data latih sebesar 99,87%, data validasi sebesar 99,12%, dan data uji sebesar 99,41%.

Kata Kunci: Klasifikasi, CNN, DenseNet-121, Jamu, Tanaman Herbal.

Item Type:

Thesis (Skripsi)

Creators: