Clasifikasi Bunga Menggunakan

CNN, AlexNet, VGG19, ResNet34

Mohamad lutfi1, Farezki Muhamad2, Ahmad Najib Fadllurohman3, Qhardafi Akbar D.E4
Program Studi Informatika, Universitas Muhammadiyah Semarang, Semarang, Indonesia

Info Artikel ABSTRAK

Object detection klasifikasi bunga. Penelitian ini bertujuan untuk
membandingkan kinerja empat model object detection CNN
dalam klasifikasi bunga, yaitu CNN, Pretrained Alexnet,
Pretrained Vgg 19, dan Pretrained Resnet 34.Dataset citra bunga
yang digunakan dalam penelitian ini terdiri dari 300 citra dari 3
kelas bunga. Model-model CNN dilatih pada dataset ini
Kata kunci: menggunakan metode transfer learning.Hasil penelitian
Object menunjukkan bahwa model Pretrained Alexnet memiliki kinerja
terbaik dalam klasifikasi bunga. Model ini memiliki akurasi
Detection CNN
sebesar 96%, diikuti oleh Pretrained Resnet34 dengan akurasi
Alexnet sebesar 92%, Pretrained VGG19 dengan akurasi sebesar 90%,
VGG19 dan CNN dengan akurasi sebesar 73%.Model Pretrained Resnet
Resnet34 34 memiliki kinerja yang baik karena memiliki arsitektur yang
lebih kompleks dan efisien dibandingkan model CNN
lainnya.Penelitian ini memberikan kontribusi untuk
pengembangan metode object detection klasifikasi bunga. Hasil
penelitian ini menunjukkan bahwa model Pretrained AlexNet
dapat digunakan untuk mengklasifikasikan bunga dengan
akurasi yang tinggi dan waktu yang singkat.
ABSTRACT
Object detection and classification of flowers .This study aims
to compare the performance of four convolutional neural
network (CNN) object detection models in flower classification,
namely CNN, Pretrained AlexNet, Pretrained VGG19, and
Pretrained ResNet34.
The flower image dataset used in this study consists of 300
images from 3 flower classes. The CNN models were trained on
this dataset using transfer learning.
The results of the study show that the Pretrained Alexnet model
has the best performance in flower classification, with an
accuracy of 96%. Pretrained Resnet34 has an accuracy of
92%, Pretrained VGG19 has an accuracy of 90%, and CNN
has an accuracy of 73%.
The Pretrained ResNet34 model performs well because it has a
more complex and efficient architecture than other CNN
models.
This study contributes to the development of object detection
and classification of flowers methods. The results of this study
suggest that Pretrained AlexNet is a promising model for
flower classification in a variety of applications.
1. PENDAHULUAN

Klasifikasi citra adalah salah satu tugas pemrosesan citra yang paling penting.
Tugas ini bertujuan untuk menentukan kategori atau label dari suatu citra. Klasifikasi citra
memiliki berbagai aplikasi, seperti pengenalan wajah, pengenalan objek, dan klasifikasi
gambar medis.
Salah satu metode yang paling efektif untuk klasifikasi citra adalah menggunakan
convolutional neural network (CNN). CNN adalah jaringan saraf tiruan yang dirancang
untuk memproses citra. CNN terdiri dari sejumlah lapisan convolutional yang mengekstrak
fitur dari citra. Fitur-fitur ini kemudian digunakan oleh lapisan fully connected untuk
menentukan label citra. Ada berbagai metode CNN yang dapat digunakan untuk klasifikasi
citra. Salah satu metode yang paling umum adalah menggunakan CNN yang dilatih dari
awal. Metode ini membutuhkan sejumlah besar data platihan untuk mencapai kinerja yang
baik.
Metode lain yang dapat digunakan untuk klasifikasi citra adalah menggunakan
CNN yang telah dilatih sebelumnya. CNN yang telah dilatih sebelumnya telah dilatih pada
dataset besar citra. CNN ini dapat digunakan untuk berbagai tugas klasifikasi citra,
termasuk tugas- tugas yang membutuhkan jumlah data pelatihan yang terbatas. Ada
beberapa CNN yang telah dilatih sebelumnya yang tersedia secara publik. Beberapa CNN
yang populer termasuk AlexNet, VGG-16, VGG-19, dan ResNet-34.
Metode custom CNN, pretrained Alexnet, pretrained Vgg 19, dan pretrained Resnet
34 adalah metode yang dapat digunakan untuk klasifikasi citra. Masing- masing metode
memiliki kelebihan dan kekurangannya masing-masing. Metode custom CNN
membutuhkan sejumlah besar data pelatihan untuk mencapai kinerja yang baik. Namun,
metode ini dapat digunakan untuk berbagai tugas klasifikasi citra. Metode pretrained
Alexnet, pretrained Vgg 19, dan pretrained Resnet 34 dapat digunakan untuk berbagai
tugas klasifikasi citra, termasuk tugas-tugas yang membutuhkan jumlah data pelatihan
yang terbatas. Namun, metode ini tidak dapat digunakan untuk tugas-tugas yang
membutuhkan kinerja yang sangat tinggi.
2. DASAR TEORI

Metode penelitian yang digunakan dalam penelitian project CNN Object Detection
klasifikasi bunga di Google Colab adalah metode penelitian eksperimental. CNN
merupakan jenis jaringan neural yang dirancang khusus untuk memproses data citra. CNN
memiliki arsitektur berlapis yang terdiri dari lapisan konvolusi, lapisan pooling, dan
lapisan fully connected. Lapisan konvolusi bertugas mengekstraksi fitur-fitur dari citra,
sedangkan lapisan pooling bertugas mengurangi dimensi data. Lapisan fully connected
bertugas mengklasifikasikan objek yang terdeteksi dalam citra.. Eksperimen yang
dilakukan adalah sebagai berikut:
1. Mengunduh kumpulan data klasifikasi bunga, yang merupakan kumpulan data
gambar yang umum digunakan untuk deteksi objek.
2. Menyiapkan data klasifikasi bunga untuk pelatihan model CNN.
3. Melatih model CNN pada data klasifikasi bunga.
4. Menguji akurasi model CNN pada data klasifikasi bunga.

Hasil eksperimen menunjukkan bahwa hipotesis tersebut terbukti benar. CNN dapat
diimplementasikan dengan sukses di Google Colab untuk deteksi objek real-time
menggunakan webcam. Model yang dilatih pada kumpulan data Klasifikasi bunga dapat
mendeteksi objek dengan akurasi yang baik.
 3. METODE

3.1 Pengumpulan Data

Jenis data digunakan adalah Dataset gambar Dilakukan dengan Pengambilan gambar yang diperoleh
dari kaggle klasifikasi bunga dan terdapat 300 gambar dibagi menjadi 3 kelas bunga yaitu:
1. Bougenville
Bunga Bougenville yang terdapat pada dataset kaggle klassifikasi bunga adalah 100 gambar
2. Aglonema
Bunga Aglonema yang terdapat pada dataset kaggle klassifikasi bunga adalah 100 gambar
aglonema
3. Matahari
Bunga Matahari yang terdapat pada dataset kaggle klassifikasi bunga adalah 100 gambar bunga
matahari

3.1. Pra-Pemprosesan
1. Pengumpulan Dataset: Memperoleh dataset citra bunga yang mencakup berbagai kelas dan variasi
kondisi. Untuk dataset penelitian ini diambil dari kaggle “ clasification flower” dengan berjumlah
300 gambar
2. Labeling: Memberi label pada setiap citra sesuai dengan kelas bunga yang tepat. Dari 300 gambar
dataset dibagi menjadi 3 kelas bougenville, aglonema, matahari
3. Pemisahan Dataset: Membagi dataset menjadi set pelatihan, validasi, dan pengujian.
3.2. Model
Dalam penelitian ini, Kami menggunakan 4 model buat perbandingan. model ini diinisialisasi dan
dilatih dengan menggunakan data yang telah diproses sebelumnya

1. Custom CNN
Metode custom CNN adalah metode yang paling umum digunakan untuk klasifikasi
citra. Metode ini membutuhkan sejumlah besar data pelatihan untuk mencapai kinerja yang
baik. Proses pelatihan CNN custom dimulai dengan merancang arsitektur CNN. Arsitektur CNN
terdiri dari sejumlah lapisan convolutional, lapisan pooling, dan lapisan fully connected. Proses
pelatihan dilakukan sebanyak 40 epoch dan memiliki akurasi 73%
2. Pretrained Alexnet
AlexNet adalah AlexNet dapat digunakan sebagai bagian dari arsitektur yang lebih
kompleks untuk menangani ekstraksi fitur dalam tahap awal tugas deteksi objek. Proses
pelatihan dilakukan sebanyak 20 epoch dan memiliki akurasi 96%
3. Pretrained VGG 19
Dalam object detection, VGG-19 dapat digunakan sebagai bagian dari arsitektur untuk
menggambarkan fitur-fitur yang lebih kompleks dari citra. Proses pelatihan dilakukan sebanyak
20 epoch dan memiliki akurasi 90%
4. Pretrained Resnet 34
Dalam object detection, ResNet-34 dapat memfasilitasi pelatihan model yang lebih
dalam dengan mengurangi kemungkinan masalah degradasi performa.. Proses pelatihan
dilakukan sebanyak 10 epoch dan memiliki akurasi 92%

3.2.1 Pelatihan Model

Data yang dibutuhkan untuk pelatihan model object detection klasifikasi bunga adalah
kumpulan gambar bunga yang telah ditandai dengan bounding box dan label kelas. Kumpulan
gambar ini dapat diperoleh dari berbagai sumber, seperti internet, perpustakaan, atau koleksi
pribadi.
Untuk memudahkan pelatihan, kumpulan gambar dapat dibagi menjadi dua set, yaitu set
pelatihan dan set validasi. Set pelatihan digunakan untuk melatih model, sedangkan set validasi
digunakan untuk mengevaluasi kinerja model.
Proses pelatihan model CNN, alexnet, VGG19, resnet 34

1. CNN : Pelatihan dilakukan sebanyak 40 epochs untuk memastikan pembelajaran yang

cukup pada model.
2. Alexnet : Pelatihan dilakukan sebanyak 20 epochs untuk memastikan pembelajaran
yang cukup pada model.
3. VGG 19 : Pelatihan dilakukan sebanyak 20 epochs untuk memastikan pembelajaran
yang cukup pada model.
4. Resnet 34 : Pelatihan dilakukan sebanyak 10 epochs untuk memastikan pembelajaran
yang cukup pada model
 3.3 Evaluasi
Metode Keuntungan Kekurangan
Fleksibel Membutuhkan waktu dan usaha yang lebih
CNN khusus banyak
Alexnet yang sudah dilatih Mudah diterapkan, Kedalaman jaringan relatif dangkal, bisa kurang
sebelumnya Kinerjanya lebih baik dari ResNet optimal untuk dataset besar dan kompleks,
34 Membutuhkan komputasi yang tinggi.
Vgg yang telah dilatih Kinerjanya lebih baik daripada Membutuhkan waktu dan usaha yang lebih
sebelumnya 19 pretrained Alexnet banyak untuk mengonfigurasi
Resnet 34 yang telah Kinerjanya lebih baik daripada Membutuhkan waktu dan usaha yang lebih
dilatih sebelumnya pretrained Vgg 19 banyak untuk mengonfigurasi

Berdasarkan hasil penelitian, model Pretrained AlexNet memiliki kinerja terbaik dalam
klasifikasi bunga, dengan akurasi sebesar 96%. Model ini diikuti oleh Pretrained ResNet34 dengan
akurasi sebesar 92%, Pretrained VGG19 dengan akurasi sebesar 90%, dan CNN dengan akurasi sebesar
73%. Kinerja yang baik dari model Pretrained AlexNet dapat dikaitkan dengan arsitekturnya yang lebih
kompleks dan efisien dibandingkan model CNN lainnya. Arsitektur yang kompleks memungkinkan
model ini untuk mempelajari fitur-fitur yang lebih kompleks dari citra bunga, sedangkan arsitektur yang
efisien memungkinkan model ini untuk dilatih dan diprediksi dengan cepat.

Secara umum, penelitian ini berhasil membuktikan bahwa model Alexnet yang menggunakan
transfer learning dapat digunakan untuk mengklasifikasikan bunga dengan akurasi yang tinggi,
meskipun dataset bunga yang digunakan terbatas. Hasil penelitian ini juga memberikan kontribusi bagi
pengembangan metode klasifikasi bunga.
4. HASIL DAN PEMBAHASAN
Pada proses pengujian terdapat pengambilan gambar yang diperoleh dari kaggle klasifikasi
bunga dan terdapat 300 gambar dibagi menjadi 3 kelas bunga yaitu:
1. Bougenville
2. Aglonema
3. Matahari

4.1 Pengolahan Data Objek

Mengambil sampel gambar dari dataset pelatihan, mengonversi dan menampilkan gambar dan grafik.
Ini digunakan untuk memeriksa visualisasi data selama proses pelatihan.
"Perbandingan Akurasi Berbagai Model"

1. Grafix Epoch Custom CNN

Pada grafik epoch custom CNN, Menunjukkan bahwa model

CNN semakin mampu mempelajari hubungan antara fitur-fitur
gambar dan kelas bunganya. Akurasi validasi cenderung stabil
atau bahkan menurun setelah beberapa epoch. Hal ini
menunjukkan bahwa model CNN mulai overfitting pada data
pelatihan, hasil pelatihan training accuracy di epoch 40 adalah
99.00% CNN Hasil pelatihan validation accuracy di epoch 40
76,00%

2. Grafik Epoch AlexNet

Pada grafik epoch AlexNet pada klasifikasi bunga menunjukkan

bahwa model AlexNet mampu mencapai akurasi yang tinggi.perlu
diperhatikan kemungkinan terjadi overfitting, hasil pelatihan
training accuracy Alexnet di epoch 20 adalah 99.00% Hasil
pelatihan validation accuracy di epoch 20 98,00%
3. Grafix Epoch VGG19

hasil pelatihan training accuracy VGG 19 di epoch 20 adalah 99.50%

Hasil pelatihan validation accuracy di epoch 20 91,00%

4. Grafik Epoch Resnet34

hasil pelatihan training accuracy Resnet 34 di epoch 10 adalah 99.50%

Hasil pelatihan validation accuracy di epoch 20 94,00%
5. Grafik Perbandingan Akurasi ketiga Model

Berikut adalah perbandingan akurasi ketiga model tersebut:

MODEL Akurasi pengujian model

Custom CNN 73%

AlexNet 96%

Vgg 19 90%

Resnet 34 92%
5. KESIMPULAN

5.1. Kesimpulan
Metode custom CNN, pretrained Alexnet, pretrained Vgg 19, dan pretrained Resnet 34 adalah
metode yang dapat digunakan untuk klasifikasi citra. Masing-masing metode memiliki kelebihan dan
kekurangannya masing-masing.Metode custom CNN membutuhkan sejumlah besar data pelatihan untuk
mencapai kinerja yang baik. Namun, metode ini dapat digunakan untuk berbagai tugas klasifikasi citra.
Metode pretrained Alexnet, pretrained Vgg 19, dan pretrained Resnet 34 dapat digunakan untuk
berbagai tugas klasifikasi citra, termasuk tugas-tugas yang membutuhkan jumlah data pelatihan yang
terbatas. Namun, metode ini tidak dapat digunakan untuk tugas-tugas yang membutuhkan kinerja yang
sangat tinggi.
Berdasarkan hasil penelitian, model Pretrained AlexNet memiliki kinerja terbaik dalam
klasifikasi bunga, dengan akurasi sebesar 96%. Model ini diikuti oleh Pretrained ResNet34 dengan
akurasi sebesar 92%, Pretrained VGG19 dengan akurasi sebesar 90%, dan CNN dengan akurasi sebesar
73%.. Kinerja yang baik dari model Pretrained AlexNet dapat dikaitkan dengan arsitekturnya yang lebih
kompleks dan efisien dibandingkan model CNN lainnya. Arsitektur yang kompleks memungkinkan
model ini untuk mempelajari fitur-fitur yang lebih kompleks dari citra bunga, sedangkan arsitektur yang
efisien memungkinkan model ini untuk dilatih dan diprediksi dengan cepat.

5.2. Saran

Berdasarkan analisis dan kesimpulan di atas, saran model CNN untuk pilihan antara Custom CNN,
AlexNet, VGG19, Resnet34 untuk deteksi objek klasifikasi bunga adalah sebagai berikut:

1. Gunakan dataset yang berkualitas

Dataset yang berkualitas adalah kunci untuk mencapai akurasi yang tinggi dalam object detection. Pilih
dataset yang mencakup berbagai jenis bunga, dengan gambar yang jelas dan tidak terdistorsi.
2. Lakukan pra-pemrosesan data
Pra-pemrosesan data dapat membantu meningkatkan akurasi model Anda. Misalnya, Anda dapat
menggunakan teknik seperti pengumpulan dataset, labeling, dan pemisahan dataset.
3. Evaluasi model Anda secara teratur
Evaluasi model berdasarkan hasil penelitian, model Pretrained AlexNet memiliki kinerja terbaik
dalam klasifikasi bunga, dengan akurasi sebesar 96%. Model ini diikuti oleh Pretrained
ResNet34 dengan akurasi sebesar 92%, Pretrained VGG19 dengan akurasi sebesar 90%, dan
CNN dengan akurasi sebesar 73%.
4. Latih model dengan jumlah epoch yang cukup
Jumlah epoch adalah jumlah iterasi pelatihan yang dilakukan model. Semakin banyak epoch, semakin
baik model untuk mengenali bunga.
REFERENSI

[1] Abidin, S. (2018). Deteksi Wajah Menggunakan Metode Haar Cascade Classifier Berbasis Webcam Pada
Matlab. Jurnal Teknologi Elekterika. 2018, Volume 15 (1): 21-27.

[2] Arief, R. W. (2021). Sistem Deteksi dan Pengenalan Rambu Lalu Lintas Di Indonesia Mengunakan
Algoritma CNN= Traffic Sign Detection and Recognition System in Indonesia Using the CNN Algorithm
(Doctoral dissertation, Universitas Hasanuddin).

[3] Bhanushree K. J., M. M. (2020). Feature Based Face Recognition using Machine. International Journal
of Recent Technology and Engineering (IJRTE), 1-5.

[4] Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). Alexnet: Optimal Speed and Accuracy of
Object Detection. CoRR, abs/2004.1. https://arxiv.org/abs/2004.10934 Dai, T., Cong, S., & Zhang, J.
(2022). Microscopic image recognition method of stomata in living leaves based on improved Alexnet.
Research Square.

[5] Hasman, E. P. (2021). Haar Cascade dan Algoritma Eignface Untuk Sistem Pembuka Pintu Otomatis.
JSAI : Journal Scientific and Applied Informatics.

[6] Justitian, E. R., Purbasari, I. Y., & Anggraeny, F. T. (2022). Perbandingan Akurasi Deteksi Kelelahan
pada Pengendara Menggunakan Resnet-Tiny4-Tiny. Jurnal Informatika dan Sistem Informasi,3(1), 21-
30…