Pengembangan Aplikasi Berbasis Android untuk Klasifikasi Tanaman Menggunakan Deep Learning

Montana, Antonio Taifan (2024) Pengembangan Aplikasi Berbasis Android untuk Klasifikasi Tanaman Menggunakan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201219-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (7MB) | Request a copy

Abstract

Bunga mempercantik lingkungan disekitarnya dengan keindahannya yang beragam. Selain itu, bunga juga dapat mempercantik lingkungan di sekitarnya dengan berbagai bentuk unik yang beragam. Sampai saat ini terdapat sekitar 390 ribu spesies tanaman bunga di dunia. Bunga dapat memberi makan serangga, burung, hewan dan manusia. Bunga juga digunakan sebagai obat untuk manusia dan juga hewan. Dari banyaknya jenis tanaman yang ada, hal ini menimbulkan permasalahan untuk mengetahui jenis tanaman hanya dengan berdasarkan bunganya. Oleh karena itu pentingnya membuat sistem yang dapat mengklasifikasikan jenis tanaman tersebut dengan mudah dan praktis. Deep Learning merupakan salah satu metodologi yang dapat menyelesaikan permasalahan klasifikasi tersebut. Pada penelitian ini, akan dilakukan pemodelan sistem klasifikasi dengan menggunakan metode Deep Learning. Hasil pemodelan dari sistem yang sudah buat kemudian akan diimplementasikan pada aplikasi berbasis Android sebagai sistem informasi. Pemodelan dibangun dengan membandingan beberapa arsitektur yang ringan yaitu: MobileNetV2, InceptionV3, Xception. Dataset yang digunakan untuk membangun model ialah Oxford 102-Flowers. Setelah mendapatkan model terbaik berdasarkan nilai loss dan akurasi, serta aplikasi selesai dibangun, akan dilakukan uji coba model dengan menggunakan data publik dan uji coba aplikasi. Hasil dari pengujian pre-trained model menunjukkan bahwa model terbaik untuk klasifikasi bunga yang diterapkan pada perangkat bergerak Android adalah Xception, dengan akurasi sebesar 82%. Lalu diikuti oleh MobileNetV2 dengan akurasi sebesar 78% dan yang terakhir InceptionV3 dengan akurasi sebesar 75%.
====================================================================================================================================
Flowers beautify the surrounding environment with their diverse beauty. In addition, flowers can also beautify the surrounding environment with a variety of unique shapes. To date, there are about 390 thousand species of flower plants in the world. Flowers can feed insects, birds, animals and humans. Flowers are also used as medicine for humans and animals. Of the many types of plants that exist, this raises the problem of knowing the type of plant based only on its flowers. Therefore, it is important to create a system that can classify the type of plant easily and practically. Deep Learning is one of the methodologies that can solve the classification problem. In this research, a classification system will be modeled using the Deep Learning method. The modeling results of the system that has been made will then be implemented in an Android-based application as an information system. Modeling is built by comparing several lightweight architectures, namely: MobileNetV2, InceptionV3, Xception. The dataset used to build the model is Oxford 102-Flowers. After getting the best model based on loss and accuracy values, and the application is completed, a model test will be carried out using public data and application trials. The results of testing pre-trained models show that the best model for flower classification applied to Android mobile devices is Xception, with an accuracy of 82%. Then followed by MobileNetV2 with an accuracy of 78% and finally InceptionV3 with an accuracy of 75%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi, Deep Learning, Tanaman Bunga, Perangkat Bergerak. Classification, Deep Learning, Flower, Mobile-Based Application
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Antonio Taifan Montana
Date Deposited:	29 Jul 2024 00:50
Last Modified:	29 Jul 2024 00:50
URI:	http://repository.its.ac.id/id/eprint/109350

Actions (login required)

View Item