Logo UNTAN Universitas
Tanjungpura
Pontianak

Sistem Identifikasi Jenis Tumbuhan Mangrove Menggunakan Metode Convolutional Neural Network (Cnn)

Imam, Samudra (2025) Sistem Identifikasi Jenis Tumbuhan Mangrove Menggunakan Metode Convolutional Neural Network (Cnn). Skripsi thesis, Universitas Tanjungpura.

[img] PDF (Cover-Bab1)
Cover-Bab1_H1051211081.pdf - Published Version

Download (328kB)
[img] PDF (H1051211081_IMAM_SAMUDRA)
H1051211081_IMAM_SAMUDRA.pdf - Accepted Version
Restricted to Repository staff only

Download (4MB)

Abstract

Mangrove merupakan tumbuhan yang terdapat di daerah pesisir yang sering tergenang air laut dan dipengaruhi oleh pasang surut air laut namun tidak dipengaruhi oleh iklim dan memiliki peran penting dalam menjaga keseimbangan ekosistem. Identifikasi jenis mangrove secara manual masih memerlukan waktu dan biaya. Penelitian ini bertujuan untuk membangun sistem identifikasi jenis tumbuhan mangrove berbasis citra daun menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Tujuan dari penelitian ini adalah untuk mengimplementasikan metode CNN dengan arsitektur MobileNetV2 pada sistem identifikasi jenis tumbuhan mangrove berbasis citra daun yang dapat mengenali pola dan karakteristik visual secara otomatis. Pengujian dilakukan dengan membandingkan proses identifikasi tanpa menggunakan kamera Raspberry Pi dan menggunakan kamera Raspberry Pi. Dataset pelatihan model CNN yang digunakan terdiri dari 810 citra yang dibagi menjadi 3 kelas yaitu Acanthus Ilicifolius sebanyak 270 citra, Rhizophora Apiculata sebanyak 270 citra, dan Sonneratia Alba sebanyak 270 citra. Berdasarkan hasil pengujian menggunakan 81 data uji, sistem identifikasi tanpa kamera Raspberry Pi mendapatkan nilai akurasi sebesar 88%. Sedangkan sistem identifikasi dengan kamera Raspberry Pi memberikan nilai akurasi sebesar 96%. Penerapan sistem pada perangkat keras Raspberry Pi berhasil meningkatkan performa identifikasi dengan selisih akurasi sebesar 8% dan dapat beroperasi dengan baik secara portabel tanpa memerlukan koneksi internet.

Item Type: Thesis (Skripsi)
Creators:
CreatorsNomor Induk Mahasiswa (NIM)Email
Imam, SamudraNIMH1051211081UNSPECIFIED
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Sistem Komputer S1
SWORD Depositor: Sri Yulihartini
Depositing User: Sri Yulihartini
Date Deposited: 27 Jul 2026 01:57
Last Modified: 27 Jul 2026 01:57
URI: https://repository.untan.ac.id/id/eprint/6600

Actions (login required)

View Item View Item