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

2018 ◽  
Vol 5 (2) ◽  
pp. 169-174
Author(s):  
Kana Saputra S ◽  
Mochammad Iswan Perangin-Angin
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Feature Extraction ◽  
Medicinal Plants ◽  
Medicinal Plant ◽  
Leaf Morphology ◽  
Recognition Rate ◽  
Learning Rate ◽  
Artificial Neural ◽  
Backpropagation Artificial Neural Network

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

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

2018 ◽  
Vol 5 (2) ◽  
pp. 169-174
Author(s):  
Kana Saputra S ◽  
Mochammad Iswan Perangin-Angin
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Feature Extraction ◽  
Medicinal Plants ◽  
Medicinal Plant ◽  
Leaf Morphology ◽  
Recognition Rate ◽  
Learning Rate ◽  
Artificial Neural ◽  
Backpropagation Artificial Neural Network

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

scholarly journals Pioneer dataset and recognition of Handwritten Pashto characters using Convolution Neural Networks

2020 ◽  
pp. 002029402096482
Author(s):  
Sulaiman Khan ◽  
Abdul Hafeez ◽  
Hazrat Ali ◽  
Shah Nazir ◽  
Anwar Hussain
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Support Vector Machine ◽  
Research Work ◽  
Recognition Rate ◽  
Recognition Task ◽  
Convolution Neural Network ◽  
Medium Size ◽  
Support Vector ◽  
Artificial Neural

This paper presents an efficient OCR system for the recognition of offline Pashto isolated characters. The lack of an appropriate dataset makes it challenging to match against a reference and perform recognition. This research work addresses this problem by developing a medium-size database that comprises 4488 samples of handwritten Pashto character; that can be further used for experimental purposes. In the proposed OCR system the recognition task is performed using convolution neural network. The performance analysis of the proposed OCR system is validated by comparing its results with artificial neural network and support vector machine based on zoning feature extraction technique. The results of the proposed experiments shows an accuracy of 56% for the support vector machine, 78% for artificial neural network, and 80.7% for the proposed OCR system. The high recognition rate shows that the OCR system based on convolution neural network performs best among the used techniques.

scholarly journals Pengaruh Cahaya dan Kualitas Citra dalam Klasifikasi Kematangan Pisang Cavendish Berdasarkan Ciri Warna Menggunakan Artificial Neural Network

2021 ◽  
Vol 21 (1) ◽  
pp. 215-228
Author(s):  
Aditya Dwi Putro ◽  
Arief Hermawan
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Artificial Neural

Buah pisang merupakan komoditas yang memberikan kontribusi besar terhadap angka produksi buah nasional maupun internasional. Pemerintah melalui Badan Standarisasi Nasional menetapkan standar untuk buah pisang, menjaga mutu buah pisang. Tujuan dari penelitian ini adalah menganalisa pengaruh cahaya dan kualitas citra dalam mengklasifikasikan tingkat kematangan buah pisang berdasarkan ciri warna buah pisang di Kebun Pisang Cavendish kabupaten banyumas jawa tengah sesuai dengan SNI 7422:2009[1]. Pisang yang terdapat di Kebun Pisang Cavendish ini beraneka ragam kualitas, sebagai buah lokal yang memiliki nilai ekonomi tinggi dan memiliki potensi pasar yang masih terbuka luas, pisang menjadi salah satu komoditas buah-buahan yang dapat diandalkan. Permasalahan yang sering ditemukan selain resource dan ketelitian yakni kurang tepatnya dan kurang pengetahuannya karyawan dalam membedakan tingkat kematangan pisang terutama karyawan baru. Artificial Neural Network digunakan sebagai metode dalam proses pengklasifikasian. Dataset pada penelitian ini adalah 80 citra buah pisang yang diambil per tandan terdiri dari 40 tandan citra pisang Cavendish yang diambil di pagi hari dengan kualitas citra bagus 20 dan kualitas citra tidak bagus 20, 40 tandan citra pisang Cavendish yang diambil di sore hari dengan kualitas citra bagus 20 dan kualitas citra tidak bagus 20. Tingkat kematangan pisang pada penelitian ini yaitu mentah dan matang. pengujian menghasilkan Akurasi tertinggi dalam proses klasifikasi kategori buah pisang cavendish menggunakan epoch 5000, goal 0.0001 dan learning rate 0.1 dengan jumlah akurasi sebesar 100% dengan model trainlm dan waktu 1.6 detik.

Sign in / Sign up

Export Citation Format

Share Document