scholarly journals PERANCANGAN APLIKASI MOBILE UNTUK KLASIFIKASI SAYURAN MENGGUNAKAN DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK

Sebatik ◽  
2020 ◽  
Vol 24 (2) ◽  
pp. 300-306
Author(s):  
Muhamad Jaelani Akbar ◽  
Mochamad Wisuda Sardjono ◽  
Margi Cahyanti ◽  
Ericks Rachmat Swedia
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Computer Vision ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Image Classification ◽  
Test Accuracy ◽  
Final Test ◽  
Testing Data

Sayuran merupakan sebutan bagi bahan pangan asal tumbuhan yang biasanya mengandung kadar air tinggi dan dikonsumsi dalam keadaan segar atau setelah diolah secara minimal. Keanekaragaman sayur yang terdapat di dunia menyebabkan keragaman pula dalam pengklasifikasian sayur. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali jenis sayuran dengan cepat dan mudah. Dalam penelitian ini jumlah jenis sayuran yang digunakan sebanyak 7 jenis diantara: brokoli, jagung, kacang panjang, pare, terung ungu, tomat dan kubis. Dataset yang digunakan berjumlah 941 gambar sayur dari 7 jenis sayur, ditambah 131 gambar sayur dari jenis yang tidak terdapat pada dataset, selain itu digunakan 291 gambar selain sayuran. Untuk melakukan klasifikasi jenis sayuran digunakan algoritme Convolutional Neural Network (CNN), yang merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan pesat. CNN merupakan salah satu algoritme yang terdapat pada metode Deep Learning dengan memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek citra. Uji coba dilakukan pada lima perangkat selular berbasiskan sistem operasi Android. Python digunakan sebagai bahasa pemrograman dalam merancang aplikasi mobile ini dengan menggunakan modul Tensor flow untuk melakukan training dan testing data. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Hasil final test accuracy yang diperoleh yaitu didapat keakuratan mengenali jenis sayuran sebesar 98.1% dengan salah satu hasil pengujian yaitu klasifikasi sayur jagung dengan akurasi sebesar 99.98049%.

scholarly journals IMPLEMENTASI DEEP LEARNING FLOWER SCANNER MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Sebatik ◽  
2021 ◽  
Vol 25 (1) ◽  
Author(s):  
Hanissa Anggraini Pratiwi ◽  
Margi Cahyanti ◽  
Missa Lamsani
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Computer Vision ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Image Classification ◽  
Test Accuracy ◽  
Model Data ◽  
Final Test

Bunga atau kembang adalah alat reproduksi seksual pada tumbuhan berbunga. Pada bunga terdapat organ reproduksi, yaitu benang sari dan putik. Pada beberapa spesies, bunga majemuk dapat dianggap awam sebagai bunga (tunggal), ada sekitar 391.000 spesies tanaman vaskular yang saat ini diketahui sains, dimana sekitar 369.000 spesies (atau 94 persen) adalah tanaman berbunga. Klasifikasi jenis bunga merupakan pekerjaan yang membutuhkan waktu dan pengetahuan. Perkembangan visi komputer memungkinkan otomatisasi klasifikasi jenis bunga dengan efisien dan akurat. Deep Learning merupakan cabang ilmu machine learning berbasis Jaringan Saraf Tiruan (JST) atau bisa dikatakan sebagai perkembangan dari JST. Dalam Deep Learning, sebuah komputer belajar mengklasifikasi secara langsung dari gambar atau suara. Dengan menggunakan teknologi Deep Learning yang merupakan salah satu bidang ilmu baru dalam Machine learning dan berkembang dengan sangat pesat. Deep Learning memiliki kemampuan yang baik dalam Computer Vision, yaitu Image Classification atau kalsifikasi objek pada citra dalam bentuk dua dimensi misalnya gambar dan suara. Hasil final test accuracy yang diperoleh yaitu didapat keakuratan sebesar 100% dengan salah satu hasil pengujian yaitu klasifikasi bunga mawar  dengan akurasi sebesar 99,30%. Model data latih menggunakan dengan total dataset 460 gambar (yang diambil melalui pencarian gambar pada Google Image) sebanyak 30 kali dilatih, di mana setiap 13 langkah terhitung 1 training. Sehingga menghasilkan keluaran nilai akurasi dari data yang telah dilatih (val_acc) dan nilai akurasi dari data yang hilang atau miss (val_loss). Diharapkan dengan adanya implementasi aplikasi ini dapat membantu pengguna untuk memelihara bunga hias dengan jenis sesuai dengan keinginan.

scholarly journals PENYAKIT TANAMAN APEL DARI CITRA DAUN DENGAN CONVOLUTIONAL NEURAL NETWORK

Sebatik ◽  
2020 ◽  
Vol 24 (2) ◽  
Author(s):  
M Ridwan Dwi Septian ◽  
Andi Asrafil Ardan Paliwang ◽  
Margi Cahyanti ◽  
Ericks Rachmat Swedia
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Computer Vision ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Image Classification ◽  
Test Accuracy ◽  
Final Test

Tanaman Apel merupakan buah tahunan yang berasal dari daerah Asia Barat dengan iklim sub tropis. Di Indonesia tanaman Apel ditanam sejak tahun 1934 hingga saat ini. Tanaman Apel dapat tumbuh dan berbuah baik di daerah dataran tinggi. Para petani biasanya melakukan pencegahan penyakit atau hama dengan melakukan penyemprotan setiap 1 – 2 minggu sekali dengan dosis ringan. Pencegahan ini agar penyakit/hama dapat segera ditanggulangi dan baik jika dilakukan pada pagi atau sore hari. Terkadang petani juga membutuhkan seorang pakar dalam menentukan jenis hama/penyakit pada tanaman Apel agar dapet memberikan solusi terbaik. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali beragam jenis hama/penyakit tanaman Apel dengan cepat dan mudah. Teknologi Deep Learning, merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan depat. Deep Learning memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek pada citra. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Berdasarkan hasil uji coba, aplikasi berhasil diimplementasikan dengan baik menggunakan framework  dart berbasis android dengan hasil final test accuracy yang diperoleh yaitu didapat keakuratan sebesar 97,1%.

scholarly journals Traffic Sign Classification Using Convolutional Neural Networks and Computer Vision

2021 ◽  
Vol 12 (3) ◽  
pp. 4244-4250
Author(s):  
Anuraag Velamati Et.al
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Neural Networks ◽  
Computer Vision ◽  
Deep Learning ◽  
Image Classification ◽  
Human Beings ◽  
Traffic Sign ◽  
The World ◽  
Traffic Sign Classification

The world is quickly and continuously advancing towards better technological advancements that will make life quite easier for us, human beings [22]. Humans are looking for more interactive and advanced ways to improve their learning. One such dream is making a machine think like a computer, which lead to innovations like AI and deep learning [25]. The world is running at a higher pace in the domain of AI, deep learning, robotics and machine learning Using this knowledge and technology, we could develop anything right now [36]. As a part of sub-domain, the introduction of Convolution Neural Networks made deep learning extensively strong in the domain of image classification and detection [1]..The research that we have conducted is one of its kind. Our research used Convolution Neural Network, TensorFlow and Keras.

scholarly journals Machine Learning for Detection of Palm Oil Leaf Disease Visually using Convolutional Neural Network Algorithm

2021 ◽  
Vol 4 (2) ◽  
pp. 286-293
Author(s):  
Asrianda Asrianda ◽  
Hafizh Al Kautsar Aidilof ◽  
Yoga Pangestu
Keyword(s):  
Neural Network ◽  
Artificial Intelligence ◽  
Machine Learning ◽  
Computer Vision ◽  
Object Detection ◽  
Convolutional Neural Network ◽  
Image Classification ◽  
Palm Oil ◽  
Leaf Disease ◽  
Neural Network Algorithm

Artificial intelligence (AI) merupakan bidang ilmu pengetahuan yang saat ini menjadi isu yang menarik dan masih diteliti secara luas. Salah satu cabang dari pengembangan AI adalah computer vision yang di dalamnya terdapat topik pembahasan image classification dan object detection. Machine learning dapat dimanfaatkan di dalam bidang computer vision untuk melakukan object detection dan image classification, yaitu dengan menggunakan algoritma Convolutional Neural Network (CNN). CNN banyak digunakan pada penelitian terdahulu karena akurasinya yang tinggi. Pada penelitian ini, CNN digunakan untuk mendeteksi jenis penyakit daun tanaman kelapa sawit, dengan dataset sebanyak 60 gambar, dimana 50 diantaranya merupakan daun dengan 5 jenis penyakit berbeda, yaitu Curvularia sp, Cochliobolus carbonus, Capnodium sp, Drecshlera, dan defisiensi unsur hara. Sedangkan 10 sisanya merupakan gambar daun sehat. Hasilnya, CNN dapat mendeteksi penyakit daun kelapa sawit dengan akurasi yang dihasilkan mencapai 99%.

scholarly journals Pendeteksi Citra Masker Wajah Menggunakan CNN dan Transfer Learning

2021 ◽  
Vol 8 (6) ◽  
pp. 1293
Author(s):  
Mohammad Farid Naufal ◽  
Selvia Ferdiana Kusuma
Keyword(s):  
Neural Network ◽  
Computer Vision ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Image Classification ◽  
Transfer Learning ◽  
Cross Validation ◽  
Learning Algorithm ◽  
Computing Time ◽  
Computation Time

<p class="Abstrak">Pada tahun 2021 pandemi Covid-19 masih menjadi masalah di dunia. Protokol kesehatan diperlukan untuk mencegah penyebaran Covid-19. Penggunaan masker wajah adalah salah satu protokol kesehatan yang umum digunakan. Pengecekan secara manual untuk mendeteksi wajah yang tidak menggunakan masker adalah pekerjaan yang lama dan melelahkan. Computer vision merupakan salah satu cabang ilmu komputer yang dapat digunakan untuk klasifikasi citra. Convolutional Neural Network (CNN) merupakan algoritma deep learning yang memiliki performa bagus dalam klasifikasi citra. Transfer learning merupakan metode terkini untuk mempercepat waktu training pada CNN dan untuk mendapatkan performa klasifikasi yang lebih baik. Penelitian ini melakukan klasifikasi citra wajah untuk membedakan orang menggunakan masker atau tidak dengan menggunakan CNN dan Transfer Learning. Arsitektur CNN yang digunakan dalam penelitian ini adalah MobileNetV2, VGG16, DenseNet201, dan Xception. Berdasarkan hasil uji coba menggunakan 5-cross validation, Xception memiliki akurasi terbaik yaitu 0.988 dengan waktu total komputasi training dan testing sebesar 18274 detik. MobileNetV2 memiliki waktu total komputasi tercepat yaitu 4081 detik dengan akurasi sebesar 0.981.</p><p class="Abstrak"> </p><p class="Abstrak"><em><strong>Abstract</strong></em></p><p class="Judul2"><em>In 2021 the Covid-19 pandemic is still a problem in the world. Therefore, health protocols are needed to prevent the spread of Covid-19. The use of face masks is one of the commonly used health protocols. However, manually checking to detect faces that are not wearing masks is a long and tiring job. Computer vision is a branch of computer science that can be used for image classification. Convolutional Neural Network (CNN) is a deep learning algorithm that has good performance in image classification. Transfer learning is the latest method to speed up CNN training and get better classification performance. This study performs facial image classification to distinguish people using masks or not by using CNN and Transfer Learning. The CNN architecture used in this research is MobileNetV2, VGG16, DenseNet201, and Xception. Based on the results of trials using 5-cross validation, Xception has the best accuracy of 0.988 with a total computation time of training and testing of 18274 seconds. MobileNetV2 has the fastest total computing time of 4081 seconds with an accuracy of 0.981.</em></p><p class="Abstrak"><em><strong><br /></strong></em></p>

scholarly journals Pengembangan Aplikasi Pengenalan Aksara Komering Menggunakan Metode Deep Learning Berbasis Android

2020 ◽  
Vol 1 (2) ◽  
pp. 99-111
Author(s):  
Mahmud Mahmud ◽  
Yesi Novaria Kunang
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Testing Data

Penggunaan aksara Komering dari waktu ke waktu mulai ditinggalkan di kalangan masyarakat suku Komering dengan banyaknya budaya luar masuk ke Indonesia. Penelitian ini bertujuan untuk melestarikan dan menghidupkan kembali aksara Komering beserta bahasanya dengan menggunakan pemanfaatan teknologi Deep learning yang dibenamkan kedalam aplikasi android. Teknologi DL yang merupakan suatu sub ilmu dari bidang Machine Learning yang dikembangkan atas dasar cara berfikir dari struktur otak manusia sehingga dapat menghasilkan klasifikasi yang lebih baik. Salah satu algoritma dari DL yang terkenal baik dalam mengenali gambar ialah Convolutional Neural Network. Pada penelitian ini percobaan pengklasifikasian gambar aksara Komering dilakukan dengan data sebanyak 1540 gambar, 29 class. Hasil yang didapatkan dari data testing dengan data asli yaitu 58%, sedangkan untuk testing data augmented 80%. Persentase dalam pengujian aplikasi android melalui kamera 84,14%, galeri 87,58% dan penulisan 93,79%

scholarly journals Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network

2020 ◽  
Vol 8 (2) ◽  
pp. 138
Author(s):  
Ari Peryanto ◽  
Anton Yudhana ◽  
Rusydi Umar
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Computer Vision ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Gpu Acceleration ◽  
Multi Layer Perceptron

Dengan berkembang pesatnya teknologi saat ini, mengakibatkan Deep Learning menjadi salah satu metode machine learning yang sangat diminati. Teknologi GPU Acceleration menjadi salah satu sebab dari pesatnya perkembangan Deep Learning. Deep learning sangat cocok digunakan untuk memecahkan permasalahan klasik dalam Computer Vision, yaitu dalam pengklasifikasian citra. Salah satu metode dalam deep  learning yang  sering digunakan dalam pengolah  citra  adalah  Convolutional Neural Network dan merupakan pengembangan dari Multi Layer Perceptron. Pada penelitian ini pengimplementasian  metode ini dilakukan  menggunakan library  keras dengan bahasa pemrograman phyton.  Pada  proses  training  menggunakan  Convolutional  Neural  Network,  dilakukan  setting  jumlah epoch dan memperbesar ukuran data training untuk meningkatkan akurasi dalam pengklasifikasian citra. Ukuran yang digunakan adalah 32x32, 64x64 dan 128x128. Proses training dengan jumlah epoch 40 dan ukuran 32x32 didapat nilai akurasi tertinggi yang mencapai 98,02% dan rata-rata akurasi tertinggi yaitu 97,56 %, serta  akurasi sistem sebesar 96,64%.

scholarly journals Image Processing and Restriction of Video Downloads Using Cloud

2018 ◽  
Vol 7 (2.32) ◽  
pp. 327 ◽  
Author(s):  
Yaram Hari Krishna ◽  
Kanagala Bharath Kumar ◽  
Dasari Maharshi ◽  
J Amudhavel
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Image Processing ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Image Classification ◽  
Supervised Learning ◽  
Video Processing ◽  
Learning Algorithms ◽  
Machine Learning Algorithms

Flower image classification using deep learning and convolutional neural network (CNN) based on machine learning in Tensor flow. Tensor flow IDE is used to implement machine learning algorithms. Flower image processing is based on supervised learning which detects the parameters of image. Parameters of the image were compared by decision algorithms. These images are classified by neurons in convolutional neural network. Video processing based on machine learning is used in restriction of downloading the videos by preventing the second response from the server and enabling the debugging of the video by removing the request from the user.   

scholarly journals Survey of Machine Learning Applications of Convolutional Neural Networks to Medical Image Analysis

2021 ◽  
Vol 9 (11) ◽  
pp. 1186-1196
Author(s):  
Dr. K. Naveen Kumar
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Computer Vision ◽  
Image Analysis ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Medical Image ◽  
Medical Image Analysis ◽  
Learning Techniques ◽  
Before And After

Abstract: Recently, a machine learning (ML) area called deep learning emerged in the computer-vision field and became very popular in many fields. It started from an event in late 2012, when a deep-learning approach based on a convolutional neural network (CNN) won an overwhelming victory in the best-known worldwide computer vision competition, ImageNet Classification. Since then, researchers in many fields, including medical image analysis, have started actively participating in the explosively growing field of deep learning. In this paper, deep learning techniques and their applications to medical image analysis are surveyed. This survey overviewed 1) standard ML techniques in the computer-vision field, 2) what has changed in ML before and after the introduction of deep learning, 3) ML models in deep learning, and 4) applications of deep learning to medical image analysis. The comparisons between MLs before and after deep learning revealed that ML with feature input (or feature-based ML) was dominant before the introduction of deep learning, and that the major and essential difference between ML before and after deep learning is learning image data directly without object segmentation or feature extraction; thus, it is the source of the power of deep learning, although the depth of the model is an important attribute. The survey of deep learningalso revealed that there is a long history of deep-learning techniques in the class of ML with image input, except a new term, “deep learning”. “Deep learning” even before the term existed, namely, the class of ML with image input was applied to various problems in medical image analysis including classification between lesions and nonlesions, classification between lesion types, segmentation of lesions or organs, and detection of lesions. ML with image input including deep learning is a verypowerful, versatile technology with higher performance, which can bring the current state-ofthe-art performance level of medical image analysis to the next level, and it is expected that deep learning will be the mainstream technology in medical image analysis in the next few decades. “Deep learning”, or ML with image input, in medical image analysis is an explosively growing, promising field. It is expected that ML with image input will be the mainstream area in the field of medical image analysis in the next few decades. Keywords: Deep learning, Convolutional neural network, Massive-training artificial neural network, Computer-aided diagnosis, Medical image analysis, Classification (key words)

scholarly journals PLANT DISEASE DETECTION USING CONVOLUTIONAL NEURAL NETWORK

2021 ◽  
Vol 9 (01) ◽  
pp. 691-698
Author(s):  
Prakanshu Srivastava ◽  
◽  
Kritika Mishra ◽  
Vibhav Awasthi ◽  
Vivek Kumar Sahu ◽  
...  
Keyword(s):  
Neural Network ◽  
Computer Vision ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Image Classification ◽  
Precision Agriculture ◽  
Plant Protection ◽  
Plant Diseases ◽  
Recognition Model ◽  
Common Diagnosis

When plants and crops are suffering from pests it affects the agricultural production of the country. Usually, farmers or experts observe the plants with eye for detection and identification of disease. But this method is often time processing, expensive and inaccurate. Automatic detection using image processing techniques provide fast and accurate results. This paper cares with a replacement approach to the development of disease recognition model, supported leaf image classification, by the utilization of deep convolutional networks. Advances in computer vision present a chance to expand and enhance the practice of precise plant protection and extend the market of computer vision applications within the field of precision agriculture. a completely unique way of training and therefore the methodology used facilitate a fast and straightforward system implementation in practice. All essential steps required for implementing this disease recognition model are fully described throughout the paper, starting from gathering images to make a database, assessed by agricultural experts, a deep learning framework to perform the deep CNN training. This method paper may be a new approach in detecting plant diseases using the deep convolutional neural network trained and finetuned to suit accurately to the database of a plants leaves that was gathered independently for diverse plant diseases. The advance and novelty of the developed model dwell its simplicity healthy leaves and background images are in line with other classes, enabling the model to distinguish between diseased leaves and healthy ones or from the environment by using CNN. Plants are the source of food on earth. Infections and diseases in plants are therefore a big threat, while the foremost common diagnosis is primarily performed by examining the plant body for the presence of visual symptoms [1]. As an alternative to the traditionally time-consuming process, different research works plan to find feasible approaches towards protecting plants. In recent years, growth in technology has engendered several alternatives to traditional arduous methods [2]. Deep learning techniques are very successful in image classification problems.

Sign in / Sign up

Export Citation Format

Share Document