IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK MENGIDENTIFIKASI TANAMAN OBAT BERBASIS ANDROID

Kaparang, Lusia Letisia Maria and Paseru, Debby and Sanger, Junaidy Budi (2024) IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK MENGIDENTIFIKASI TANAMAN OBAT BERBASIS ANDROID. Skripsi thesis, UNIVERSITAS KATOLIK DE LA SALLE MANADO.

	PDF COVER-DAFTAR_ISI_LusiaKaparang.pdf Download (326kB)
	PDF ABSTRAK_LusiaKaparang.pdf Download (19kB)
	PDF BAB_I-LAMPIRAN_LusiaKaparang.pdf Restricted to Repository staff only Download (2MB)

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

Abstract

Tanaman obat merupakan sumber daya berharga yang mengandung senyawa aktif untuk pengobatan dan perawatan kesehatan manusia. Meskipun memiliki peran penting dalam pengobatan tradisional dan modern namun, pemahaman masyarakat terhadap keberagaman tanaman obat semakin menurun. Hal ini mengancam kelangsungan penggunaannya dan mengurangi kesadaran akan manfaatnya bagi kesehatan. Untuk itu penting untuk mencari pendekatan inovatif untuk memfasilitasi masyarakat yang mengalami kesulitan dalam mengetahui informasi jenis dan manfaat tanaman obat yang ada di sekitar sehingga dapat mengembalikan minat masyarakat dalam penggunaan tanaman obat yang tumbuh di sekitar.
Solusi untuk tantangan ini adalah membuat aplikasi Android bernama "tanoba" yang menggunakan teknologi machine learning untuk mengidentifikasi tanaman obat. Aplikasi ini memanfaatkan algoritma Convolutional Neural Network (CNN) untuk mengekstraksi fitur-fitur penting dari citra tanaman, seperti garis, tepi, tekstur, dan pola visual lainnya secara otomatis. Pengembangan "tanoba" juga mengadopsi praktik Machine Learning Operations (MLOps) untuk memastikan implementasi yang efisien dari model CNN.
Tugas akhir ini menggunakan metode pengembangan Waterfall dengan pendekatan linear atau terarah dimulai dari perencanaan, pengembangan, pengujian, hingga implementasi sistem. Flowchart dan Data Flow Diagram (DFD) digunakan untuk memodelkan alur dalam aplikasi dan Python dipilih sebagai bahasa pemrograman utama untuk mengembangkan model CNN.
Hasil pengujian menunjukkan bahwa model CNN berhasil mencapai tingkat akurasi tertinggi yakni sebesar 97% pada epoch 37 dengan nilai loss sebesar 0.0388 pada percobaan epoch 100. Keberhasilan ini menegaskan bahwa aplikasi dapat berhasil dalam mengenali dan memberikan informasi yang akurat mengenai tanaman obat, serta dapat membantu masyarakat dalam mengenal tanaman dan manfaat tanaman obat.

Kata Kunci: Tanaman Obat, Convolutional Neural Network (CNN), Machine Learning Operations (MLOps)

Item Type:

Thesis (Skripsi)

Creators: