Analisis Komparasi Model Deep Learning CNN dengan VGG16 dalam Klasifikasi Jenis Bunga
DOI:
https://doi.org/10.52958/iftk.v21i1.11105Keywords:
CNN, VGG16, Klasifikasi Citra Digital, Deep LearningAbstract
Klasifikasi citra bunga merupakan tantangan penting dalam visi komputer karena citra bunga memiliki tingkat variasi yang tinggi dalam hal bentuk, warna, latar belakang, dan sudut pengambilan gambar, yang sering kali menyulitkan proses klasifikasi secara akurat. Permasalahan ini mendorong dilakukannya penelitian untuk mengembangkan dan membandingkan efektivitas dua pendekatan deep learning, yaitu arsitektur Convolutional Neural Network (CNN) yang dibangun dari awal dan model VGG16 pre-trained yang diterapkan melalui metode transfer learning. Tujuan dari penelitian ini adalah untuk mengevaluasi kinerja kedua model dalam mengklasifikasikan lima jenis bunga daisy, dandelion, rose, sunflower, dan tulip berdasarkan akurasi, efisiensi pelatihan, dan kemampuan generalisasi. Dataset yang digunakan bersifat open-source dan diperoleh dari platform Kaggle, kemudian dibagi menjadi data pelatihan dan pengujian. Hasil eksperimen menunjukkan bahwa model CNN standar hanya mencapai akurasi sebesar 48%, sementara model berbasis VGG16 mencapai akurasi hingga 90%. Temuan ini menegaskan bahwa transfer learning dengan VGG16 merupakan pendekatan yang lebih unggul dan efektif untuk tugas klasifikasi citra bunga, terutama dalam skenario yang menuntut akurasi tinggi. Penelitian ini memberikan wawasan penting bagi pengembangan sistem klasifikasi visual berbasis deep learning.
References
B. Suswati, "Implementasi Convolutional Neural Network pada Klasifikasi Citra Daun Tanaman Hias," Jurnal Decode, vol. 4 No. 2, 2024. https://doi.org/10.51454/decode.v4i2.590
A. Rahman, M. Salim, dan I. Riadi, "Klasifikasi Citra Spesies Bunga di Indonesia Berbasis Convolutional Neural Network Menggunakan Teknik Transfer Learning," Journal of Software Engineering and Computational Intelligence, Vol. 2 No. 02, 2024. https://doi.org/10.36982/jseci.v2i02.4942
Puspitasari dan A.T Wibowo , "Klasifikasi Bunga Anggrek untuk Genus Grammatophyllum Menggunakan Metode Convolutional Neural Network (CNN)," e-Proceeding of Engineering, vol. 8, no. 5, hlm. 10527, 2021. https://repositori.telkomuniversity.ac.id/pustaka/172357/klasifikasi-bunga-anggrek-untuk-genus-grammatophyllum-menggunakan-metode-convolutional-neural-network-cnn-.html
U. S. Rahmadhani dan N. L. Marpaung, "Klasifikasi Jamur Berdasarkan Genus Dengan Menggunakan Metode CNN," Jurnal Informatika: Jurnal Pengembangan IT, vol. 8, 2023. https://doi.org/10.30591/jpit.v8i2.5229
A. Munandar dan A.F Rozi, "Analisis Arsitektur Convolutional Neural Network Untuk Klasifikasi Citra Bunga" Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 6, no. 3, hlm. 522–531, 2024. https://doi.org/10.47233/jteksis.v6i3.1413
F. Fitriani, "Klasifikasi Jenis Bunga dengan Menggunakan Convolutional Neural Network (CNN)," TEKNIMEDIA: Teknologi Informasi dan Multimedia, vol. 2, no. 2, hlm. 64–68, 2021. https://doi.org/10.46764/teknimedia.v2i2.39
Sibarani, J. S., Damanik, S. T., Nurkhalizah, R., Mulyana, S., & Nasution, B., "Klasifikasi Tanaman Hias Menggunakan Algoritma Convolutional Neural Network," Journal of Information Technology Ampera, vol. 4, no. 3, hlm. 286–297, 2023. https://journal-computing.org/index.php/journal-ita/article/view/431
H. A. Pratiwi, M. Cahyanti, dan M. Lamsani, "Implementasi deep learning flower scanner menggunakan metode convolutional neural network," Sebatik, vol. 25, no. 1, pp. 124–130, 2021, doi: https://jurnal.wicida.ac.id/index.php/sebatik/article/view/1297
A. Peryanto, A. Yudhana, dan R. Umar, "Convolutional Neural Network and Support Vector Machine in Classification of Flower Images," Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika, vol. 8, no. 1, hlm. 1–8, 2022. https://doi.org/10.23917/khif.v8i1.15531
J. Sumpena, "A Comparative Study of Transfer Learning CNN for Flower Type Classification" Journal of Applied Intelligent System, vol. 8, no. 3, hlm. 389–399, 2023. https://doi.org/10.33633/jais.v8i3.9380
E. Predianto dan B. Sutomo, “Klasifikasi Jenis Bunga dengan Algoritma Convolutional Neural Network (CNN) Menggunakan Metode Region-Based Convolutional Neural Network (R-CNN),” Cyberspace: Jurnal Pendidikan Teknologi Informasi, vol. 8, no. 2, pp. 1–15, 2024. https://doi.org/10.22373/cj.v8i2.25441
I. G. Perwati, N. Suarna, dan T. Suprapti, “Analisis Klasifikasi Gambar Bunga Lily Menggunakan Metode Convolutional Neural Network (CNN) dalam Pengolahan Citra,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 3, pp. 2908–2915, 2024. https://doi.org/10.36040/jati.v8i3.9193
Z. A. Sahili and M. Awad, "The Power of Transfer Learning in Agricultural Applications: AgriNet," arXiv preprint arXiv:2207.03881, 2022. [Online]. Available: https://arxiv.org/abs/2207.03881
A. Khadangi, "DeepFlorist: Rethinking Deep Neural Networks and Ensemble Learning as a Meta-Classifier for Object Classification," Computers and Electronics in Agriculture, vol. 206, p. 107635, 2023. [Online]. Available: https://doi.org/10.48550/arXiv.2307.01806
S. Anand, K. Swaroopa, M. Nainwal, dan T. M, "An intelligent flower classification framework: optimal hybrid flower pattern extractor with adaptive dynamic ensemble transfer learning-based convolutional neural network," The Imaging Science Journal, vol. 72, no. 3, hlm. 52–75, 2023 https://doi.org/10.1080/13682199.2023.2183317
N. Nidhi, J. K. P. S. Yadav, "Plant leaf classification using convolutional neural network," Recent Advances in Computer Science and Communications, vol. 13, no. 3, 2020, doi: https://www.researchgate.net/publication/344563512_Plant_Leaf_Classification_using_Convolutional_Neural_Network
H. Noprisson, "Fine-tuning model transfer learning VGG16 untuk klasifikasi citra penyakit tanaman padi," JSAI (Journal of Scientific and Applied Informatics), vol. 5, no. 3, pp. 244–249, Nov. 2022, doi: https://doi.org/10.36085/jsai.v5i3.3609
K. Sanghvi, A. Aralkar, S. Sanghvi, dan I. Saha, "A survey on image classification techniques," SSRN Electronic Journal, Jan. 2021, doi: https://doi.org/10.2139/ssrn.3754116
Y. Huang, "Deep learning in image recognition," Applied and Computational Engineering, vol. 8, no. 1, pp. 61–67, Aug. 2023, doi: https://doi.org/10.54254/2755-2721/8/20230082.
A. Rehman, M. A. Butt, dan M. Zaman, "A survey of medical image analysis using deep learning approaches," in Proc. 5th Int. Conf. on Advances in Computing, Communications, and Electronics (ICACCE), 2021. doi: https://doi.org/10.1109/ICCMC51019.2021.9418385
K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," International Conference on Learning Representations (ICLR), 2015. https://arxiv.org/abs/1409.1556
T. Sulistyowati, P. Purwanto, F. A. Zami, dan R. A. Pramunendar, "VGG16 deep learning architecture using imbalance data methods for the detection of apple leaf diseases," Moneter: Jurnal Keuangan dan Perbankan, vol. 11, no. 1, pp. 41–53, 2023. https://ejournal2.uika-bogor.ac.id/index.php/MONETER/article/download/57/48/130
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Nelson Rumui, Ardhyansyah Mualo, Jacob Rahayaan, Lourdes Batjo, Misael Mokansi
This work is licensed under a Creative Commons Attribution 4.0 International License.
KEBIJAKAN YANG DIAJUKAN UNTUK JURNAL YANG MENAWARKAN AKSES TERBUKA
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Download Template
