KLASIFIKASI JENIS TANAMAN ANGGREK MENGGUNAKAN ARSITEKTUR MOBILENETV2
DOI:
https://doi.org/10.36595/jire.v9i1.2005Keywords:
Anggrek, Klasifikasi Citra, , Deep Learning MobileNetV2, HyperparameterAbstract
Anggrek adalah jenis tanaman hias yang kaya akan keragaman bentuk, warna, serta ukuran bunganya yang unik. Banyaknya jenis anggrek membuat identifikasi secara langsung sering kali menyulitkan dan umumnya membutuhkan kemampuan serta pengalaman khusus. Oleh karena itu, dibutuhkan cara otomatis agar pengenalan jenis anggrek dapat dilakukan dengan lebih praktis dan efisien. Dalam penelitian ini, dikembangkan sistem klasifikasi citra tanaman anggrek berbasis deep learning dengan menggunakan arsitektur MobileNetV2. Dataset yang digunakan sebanyak 2.500 citra yang diklasifikasikan ke dalam lima kategori, yakni Cattleya, Dendrobium, Oncidium, Phalaenopsis, dan Vanda. Pelatihan model dilakukan melalui beberapa variasi pengaturan hyperparameter, seperti batch size yaitu 16 dan 32, serta jumlah epoch sebesar 25 dan 50, dengan nilai learning rate ditetapkan sebesar 0,001. Sementara itu, evaluasi model dilakukan menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa kinerja optimal dicapai pada penggunaan batch size 32 dan epoch 50 dengan nilai akurasi, precision, recall, dan F1-score mencapai 99,60%. Temuan ini menegaskan bahwa variasi hyperparameter berpengaruh terhadap kinerja model dan MobileNetV2 mampu memberikan performa klasifikasi yang tinggi dan stabil. Penelitian ini berkontribusi dalam memberikan metode klasifikasi citra tanaman anggrek yang efektif serta menunjukkan bahwa pemilihan hyperparameter yang tepat dapat meningkatkan kinerja model secara signifikan.
Downloads
References
[1] A. Faiza Al Farakhi, F. Alif Fiolana, and F. Yamono, “Klasifikasi Bunga Anggrek Bulan Berdasarkan Warna dan Teksturnya Menggunakan Metode JST,” J. Ilm. Sist. Inf., vol. 1, no. 3, pp. 25–37, 2022.
[2] R. P. Putra, “Identifikasi Jenis Tanaman Anggrek Melalui Tekstur Bunga dengan Tapis Gabor dan M-SVM,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 6, no. 1, p. 29, 2021, doi: 10.31328/jointecs.v6i1.1746.
[3] M. Baihaqy, A. T. Wibowo, and D. Q. Utama, “Klasifikasi Tanaman Anggrek jenis Phalaenopsis berdasarkan Citra Labellum Bunga Menggunakan Metode Convolutinal Neural Network (CNN ),” e-Proceeding Eng., vol. 9, no. 3, pp. 1942–1951, 2022.
[4] N. P. K. Dewi, P. H. Suputra, A. A. G. Y. Paramartha, L. J. E. Dewi, P. Varnakovida, and K. Y. E. Aryanto, “River Area Segmentation Using Sentinel-1 SAR Imagery with Deep-Learning Approach,” Geomatics Environ. Eng., vol. 19, no. 4, pp. 39–63, 2025, doi: 10.7494/geom.2025.19.4.39.
[5] D. A. Pusparani, M. W. A. Kesiman, and K. Y. E. Aryanto, “Identification of Little Tuna Species Using Convolutional Neural Networks (CNN) Method and ResNet-50 Architecture,” Indones. J. Artif. Intell. Data Min., vol. 8, no. 1, p. 86, 2024, doi: 10.24014/ijaidm.v8i1.31620.
[6] A. R. Hermanto, A. Aziz, and S. Sudianto, “Perbandingan Arsitektur MobileNetV2 dan RestNet50 untuk Klasifikasi Jenis Buah Kurma,” J. Sist. dan Teknol. Inf., vol. 12, no. 4, pp. 630–637, 2024, doi: 10.26418/justin.v12i4.80358.
[7] Z. Zulkipli, L. A. S. I. A. Akbar, and B. Kanata, “Klasifikasi Genus Tanaman Anggrek Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur VGG16,” J. Inform. Teknol. dan Sains, vol. 6, no. 4, pp. 820–829, 2024.
[8] F. N. Fadillah and T. Informatika, “Klasifikasi Lima Jenis Tanaman Herbal Berbasis Convolutional Neural Network Menggunakan Arsitektur MobileNetV2,” vol. 5, pp. 275–280, 2026.
[9] M. A. Hakiki, N. Rachmat, and K. Kunci-Cnn, “Klasifikasi Spesies Jamur Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2,” J. Algoritm., vol. 5, no. 3, pp. 274–287, 2025, doi: 10.35957/algoritme.v6i1.11077.
[10] K. Husodo, C. Lubis, and Z. Rusdi, “Klasifikasi Tanaman Anggrek Menggunakan Convolutional Neural Network Dengan Arsitektur Vgg-19,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 8, no. 2, pp. 253–258, 2023, doi: 10.51876/simtek.v8i2.214.
[11] Puspitasari and A. T. Wibowo, “Klasifikasi Bunga Anggrek untuk Genus Grammatophyllum Menggunakan Metode Convolutional Neural Network (CNN),” e-Proceeding Eng., vol. 8, no. 5, pp. 10527–10543, 2021.
[12] K. A. Tamayasa et al., “Analisis Perbandingan Model Arsitektur MobileNetV2 dan EfficientNetB3 dalam Penyakit Daun Jagung,” J. Inform. dan Tek. Elektro Terap., vol. 14, no. 1.
[13] M. Raihan Rafiiful Allaam and A. Toto Wibowo, “Klasifikasi Genus Tanaman Anggrek Menggunakan Metode Convolutional Neural Network (Cnn),” e-Proceeding Eng., vol. 8, no. 2, pp. 3147–3179, 2021.
[14] I. Rizki Ramadhani, A. Nilogiri, and Q. A’yun, “Klasifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Metode Convolutional Neural Network Classification Of Plants Based On Leaf Image Using Convolutional Neural Network Method,” J. Smart Teknol., vol. 3, no. 3, pp. 2774–1702, 2022.
[15] A. C. Milano, “Klasifikasi Penyakit Daun Padi Menggunakan Model Deep Learning Efficientnet-B6,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 1, 2024, doi: 10.23960/jitet.v12i1.3855.
[16] F. Bozkurt, “A Study on CNN Based Transfer Learning for Recognition of Flower Species,” Eur. J. Sci. Technol., no. 32, pp. 883–890, 2022, doi: 10.31590/ejosat.1039632.
[17] K. Ratna Mutu Manikam, L. Joni Erawati Dewi, K. Yota Ernanda Aryanto, K. Agus Seputra, and P. Varnakovida, “Analisis Hyperparameter Pada Klasifikasi Jenis Tanaman Menggunakan Algoritma Resnet50 Dan Mobilenetv2,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 6, pp. 9921–9928, 2025, doi: 10.36040/jati.v9i6.15832.
[18] Didi Kurniawan and Dhani Ariatmanto, “Identifikasi Varietas Bibit Durian Menggunakan Mobilenetv2 Berdasarkan Gambar Daun,” J. Inform. dan Rekayasa Elektron., vol. 7, no. 2, pp. 231–240, 2024, doi: 10.36595/jire.v7i2.1236.
[19] N. Nafiiyah and T. Dwi Lestari, “Perbandingan Vgg16, Vgg19, Mobilenet Dan Mobilenetv2 Untuk Klasifikasi Beras Berdasarkan Citra,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 11, no. 1, pp. 1368–1380, 2026, doi: 10.36341/rabit.v11i1.7338.
[20] S. Arnandito and T. B. Sasongko, “Comparison of EfficientNetB7 and MobileNetV2 in Herbal Plant Species Classification Using Convolutional Neural Networks,” J. Appl. Informatics Comput., vol. 8, no. 1, pp. 176–185, 2024, doi: 10.30871/jaic.v8i1.7927.
[21] M. Riyyan and H. Firdaus, “Perbandingan Algoritme Naive Bayes Dan Knn Terhadap Data Penerimaan Beasiswa (Studi Kasus Lembaga Beasiswa Baznas Jabar),” J. Inform. dan Rekayasa Elektron., vol. 5, no. 1, pp. 1–10, 2022, doi: 10.36595/jire.v5i1.547.
[22] I Kadek Nicko Ananda, Ni Putu Novita Puspa Dewi, Ni Wayan Marti, and Luh Joni Erawati Dewi, “Klasifikasi Multilabel Pada Gaya Belajar Siswa Sekolah Dasar Menggunakan Algoritma Machine Learning,” J. Appl. Comput. Sci. Technol., vol. 5, no. 2, pp. 144–154, 2024, doi: 10.52158/jacost.v5i2.940.
[23] N. Putu, “Klasifikasi Jenis Daun Tumbuhan Herbal Berdasarkan Lontar Usada Taru Pramana Menggunakan CNN,” Techno. Com., vol. 23, no. 1, pp. 271–283, 2024.
[24] P. Prianka Vedanty, M. Windu Antara Kesiman, and I. M. Gede Sunarya, “Pengaruh Data Augmentasi Pada Identifikasi Penyakit Daun Tanaman Obat Menggunakan K-Nearest Neighbor,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 2094–2100, 2025, doi: 10.36040/jati.v9i2.12961.
[25] A. Setiawan, Z. H. Nst, Z. Khairi, and L. Efrizoni, “Klasifikasi Tingkat Risiko Diabetes Menggunakan Algoritma Random Fores," J. Inform. dan Rekayasa Elektron., vol. 7, no. 2, pp. 263–271, 2024.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
