Aplikasi ini dapat mengidentifikasi tiga varietas tanaman jati (PH1, plus, dan mega) berdasarkan gambar daunnya dengan menggunakan jaringan saraf tiruan metode convolutional neural network. Arsitektur jaringan yang memberikan akurasi tertinggi 91,84% terdiri atas lima lapisan konvolusi, lima lapisan pooling, dan satu lapisan penghubung penuh.

1. Identifikasi Varietas
Tanaman Jati
Berdasarkan Daun
Menggunakan Metode
Convolutional Neural Network(CNN)
Oleh:
Achmad Makarim Widyanto (123160107)
Universitas Pembangunan Nasional “Veteran” Yogyakarta

2. -Latar Belakang
-Rumusan Masalah
-Manfaat dan Tujuan
-Pengumpulan Data
-Pengolahan Data
-Hasil Pengujian
-Demo Program
-Tanya Jawab

3. Latar Belakang

4. Jati(Tectona Grandis Linnf)
Generatif
Vegetatif

5. Persebaran Jati di Nusantara
(Murtinah et al., 2015).

6. Jati Mega Jati Emas
Jati Perhutani
Jati Kumbokarno
Jati Putih
Jati Belanda
Jati Super
Jati Platinum
Jati Jabon
Jati Solomon

13. Sumber: https://perhutani.co.id/laporan/

14. Sumber: https://perhutani.co.id/laporan/

17. Objek Penelitian
(Agmalaro, M. A., Kustiyo, A., & Akbar, A. R. 2013.)

18. Ciri Dasar
a. Area b. Perimeter c. Diameter d. Physiological Length dan Width
(Wu et al., 2007)

19. Ciri Turunan
- Smooth factor
- Aspect ratio
- Form factor
- Rectangularity
- Narrow factor
- Perimeter ratio of diameter
- Perimeter ratio of physiological
length
- Perimeter Ratio of
physiological width
- Vein features1
- Vein features2
- Vein features3
- Vein features4
(Wu et al., 2007)

20. Penelitian Jati Sebelumnya
2. IDENTIFIKASI DAUN
TANAMAN JATI
MENGGUNAKAN
JARINGAN SARAF TIRUAN
BACKPROPAGATION
DENGAN
EKSTRAKSI FITUR CIRI
MORFOLOGI DAUN
-Institut Pertanian
Bogor-
84.17%
1. IDENTIFIKASI
TANAMAN JATI
MENGGUNAKAN
PROBABILISTIC NEURAL
NETWORK DENGAN
EKSTRAKSI FITUR CIRI
MORFOLOGI DAUN
-Institut Pertanian
Bogor-
77.5%
3. IDENTIFIKASI
DAUN TANAMAN JATI
MENGGUNAKAN
K-NEAREST
NEIGHBOUR
DENGAN EKSTRAKSI
FITUR CIRI
MORFOLOGI DAUN
-Institut
Pertanian Bogor
73.33%

21. Penelitian Tumbuhan Menggunakan CNN
1. DETEKSI HAMA PADA
DAUN TEH DENGAN
METODE
CONVOLUTIONAL NEURAL
NETWORK (CNN)
-Universitas
Komputer
Indonesia-
Akurasi: 95%
2. IMPLEMENTASI
CONVOLUTIONAL
NEURAL NETWORKS
UNTUK KLASIFIKASI
CITRA TOMAT
MENGGUNAKAN
KERAS
-Universitas
Islam Indonesia-
Akurasi: 90%

22. Penelitian Tumbuhan Menggunakan CNN
4. IMPLEMENTASI DEEP
LEARNING MENGGUNAKAN
METODE
CONVOLUTIONAL NEURAL
NETWORK UNTUK KLASIFIKASI
GAMBAR (Anggrek Putih,
Anggrek Dendrodium, Anggrek
Ekor Tupai)
-Universitas Islam
Indonesia-
Akurasi: 89%
3. Klasifikasi Citra
Buah
Menggunakan
Convolutional
Neural
Network
-Universitas Negeri
Surabaya-
Akurasi: 97.97%

23. Rumusan Masalah
Banyaknya varietas tanaman jati yang ada menjadikan
faktor sulitnya dalam mengenali dengan pasti varietas
tanaman jati yang satu dengan varietas tanaman jati yang
lainnya, sehingga memerlukan keahlian dan ilmu yang
mendalam untuk dapat membedakannya. Pemilihan kayu
yang tidak tepat untuk kegunaan akhir dapat diakibatkan
dari kesalahan dalam mengidentifikasi varietas jati sejak
awal, maka rumusan masalah yang dapat diperoleh sebagai
berikut:
Bagaimana cara mengenali atau mengetahui varietas jati
berdasarkan daun menggunakan metode convolutional
neural network?

24. 1. Membantu masyarakat awam atau pihak-pihak
terkait untuk dapat mengenali varietas tanaman
jati dengan lebih mudah sehingga dapat
mengurangi kesalahan dalam mengidentifikasi
varietas tanaman jati
2. Penelitian yang sudah dilakukan ini dapat
dijadikan refrensi penerapan penggunaan
jaringan syaraf tirungan dengan metode cnn
untuk penelitian yang akan datang.
Manfaat
1. Memberikan solusi untuk mempermudah
mengenali atau mengetahui varietas jati.
2. Mengetahui cara pengklasifikasian dan ketepatan
kinerja jaringan syaraf tiruan dengan
menggunakan metode Convolutional Neural
Network untuk dapat mengenali varietas
tanaman jati.
Tujuan

25. Pengumpulan data

27. Wanagama
P.T. Setya Mitra BaktiPersada
Perumahan Hutan Gunung Kidul

28. Varietas
Plus PH1 Mega
511 500 500

29. Pengolahan Data

30. Persiapan Pengolahan Data (preprocessing)
- Image data augmentation(rescale, rotasi,
shear, horizontal flip, shift, fill mode)
- Split data
- Ukuran batch
- Image resize(256px x 256px)

31. Convolutional Neural Network(CNN)
(Nguyen et al., 2019).
PH1
Plus
Mega
Tidak diketahui
PH1
Plus
Mega
Tidak diketahui

32. Convolutional Neural Network(CNN)

33. Convolutional Neural Network(CNN)
1. Convolution Layer
2. Pooling Layer
3. Fully Connected Layer
mega
Ph1
plus

34. Convolutional Neural Network(CNN)
Convolution Layer

35. Convolutional Neural Network(CNN)
Activation RELU

36. Convolutional Neural Network(CNN)
Pooling Layer
-max pooling
-average pooling
-sum pooling

37. Convolutional Neural Network(CNN)
Perataan(Flattening) 1 2 1 4 2 1 0 2 1

38. Convolutional Neural Network(CNN)
Fully Conected Layer

39. Convolutional Neural Network(CNN)
Fully Conected Layer

40. CNN1 CNN2 CNN3 CNN4 CNN5 CNN 6 CNN 7 CNN 8
Conv 32
Conv 32
Conv 32 Conv 32 Conv 32 Conv 32 Conv 32 Conv 32
ReLU ReLU ReLU ReLU ReLU ReLU
ReLU Pool Pool Pool Pool Pool Pool
Pool
Conv 64 Conv 64 Conv 64 Conv 64 Conv 64 Conv 64
ReLU ReLU ReLU ReLU ReLU ReLU ReLU
Pool
Conv 64 Pool
Pool Pool Pool Pool Pool
Conv 128 Conv 128 Conv 128 Conv 128 Conv 128
ReLU ReLU ReLU ReLU ReLU
ReLU
Conv 128
Pool Pool Pool Pool Pool
Conv 256 Conv 256 Conv 256 Conv 256 Conv 256
ReLU ReLU ReLU ReLU ReLU ReLU
Flatten
Pool Pool Pool Pool Pool Pool Pool
Flatten
Flatten Flatten
Conv 512 Conv 512 Conv 512 Conv 512
ReLU ReLU ReLU ReLU
Pool Pool Pool Pool
Flatten Flatten Flatten Flatten
Softmax Softmax
Softmax Softmax Softmax
FC 32 FC 1024 FC 512
Softmax Softmax Softmax
Arsitektur yang Diuji

41. Hasil Pengujian

42. Arsitektur Terbaik
Arsitektur CNN 8
Akurasi : 91.84%
Loss : 0.354060560464859
Waktu : 1:19:41.003246

43. Precision Recall F1-Score Support
0 0.91 0.96 0.93 50
1 0.92 0.90 0.91 50
2 0.95 0.93 0.94 61
3 1.00 0.98 0.99 60
Accuracy 0.95 221
Macro avg 0.94 0.94 0.94 221
Weighted avg 0.95 0.95 0.95 221

44. Kesimpulan
1. Hasil penelitian ini mampu menghasilkan aplikasi mengidentifikasi
varietas jati berdasar daun dengan penerapan metode pembelajaran convolutional neural network.
2. Metode convolutional neural network mampu mengenali pola dan mengklasifikasikan dari ketiga varietas
jati yaitu PH1, plus, dan mega dengan nilai akurasi 98%, precission 98%, dan recall 97%.
3. Arsitektur convolutional neural network yang dapat menghasilkan akurasi paling baik yaitu pada arsitektur
ke lima, dengan menggunakan lima lapisan konvolusi, lima lapisan pooling, dan satu lapisan fully connected.
4. Perangkat keras yang digunakan dalam proses pelatihan mempengaruhi kecepatan dalam pembentukan
model yang dibangun.
5. Kekurangan pada penelitian ini yaitu kondisi cuaca pada dataset yang kurang beragam.

46. Demo
Program

47. Tanya
Jawab

48. Terimakasih