Identifikasi Jenis Jamur Menggunakan Convolutional Neural Network dan Random Forest

Aditama Muhammad Al Farhan

Abstract


Jamur makanan yang sangat dihormati karena struktur sel, rasa, aroma, dan nilai gizinya yang berbeda. Maka dari itu untuk membedakan jenis jamur yang beracun dan tidak beracun akan menjadi sulit karena tampilannya yang hampir sama. Kesalahan dalam mengidentifikasi jamur menimbulkan dampak yang berbahaya dalam kesehatan manusia yang mengkonsumsi jamur untuk dimakan. Oleh sebab itu penelitian tentang jamur penting untuk mengelompokkan mana jenis jamur yang berbahaya dan beracun sehingga masyarakat tahu jamur yang layak konsumsi. Dilihat dari rumusan masalah di atas, tujuan penelitian dari klasifikasi jenis jamur berdasarkan citra menggunakan metode Convolutional Neural Network (CNN) dan Random Forest (RF). Pada penelitian ini, metode pengembangan sistem yang digunakan adalah Extreme Programming (XP). XP adalah metodologi pengembangan perangkat lunak yang menekankan adaptasi terhadap perubahan kebutuhan melalui siklus pengembangan yang singkat dan tindakan teknis yang ketat.  Hasil penelitian menunjukkan bahwa metode CNN dan RF mampu mencapai tingkat akurasi sebesar 100%. Hal ini menunjukkan bahwa efektivitas metode tersebut dalam mengidentifikasi jenis jamur berdasarkan dari citra penelitian ini menunjukkan bahwa metode CNN dan RF dapat digunakan secara efektif untuk mengidentifikasi jenis jamur dari gambar dan memberikan tingkat akurasi yang memadai. Namun dalam penelitian ini diperlukan pembangunan aplikasi menggunakan metode CNN dikarenakan metode tersebut termasuk dalam bagian deep learning.

References


P. Farshbaf Aghajani, M. Soltani Firouz, and P. Bohlol, “Revolutionizing Mushroom Identification: Improving efficiency with ultrasound-assisted frozen sample analysis and deep learning techniques,” J. Agric. Food Res., vol. 15, no. December 2023, 2024, doi: 10.1016/j.jafr.2023.100946.

A. I. Rizal and T. N. Suharsono, “Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Citra Jamur Berbasis Mobile,” J. Soc. Sci. Res., vol. 3, pp. 864–875, 2023.

G. M. C. Batubara, A. Desiani, and A. Amran, “Klasifikasi Jamur Beracun Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbors,” J. Ilmu Komput. dan Inform., vol. 3, no. 1, pp. 33–42, 2023, doi: 10.54082/jiki.68.

A. A. Mahran, R. K. Hapsari, and H. Nugroho, “Penerapan Naive Bayes Gaussian Pada Klasifikasi Jenis Jamur Berdasarkan Ciri Statistik Orde Pertama,” Netw. Eng. Res. Oper., vol. 5, no. 2, p. 91, 2020, doi: 10.21107/nero.v5i2.165.

G. A. Sandag and J. Waworundeng, “Identifikasi Foto Fashion Dengan Menggunakan Convolutional Neural Network ( CNN ) Identify Fashion Images Using Convolutional Neural Network ( CNN ),” J. Cogito Smart, vol. 7, no. 2, pp. 305–314, 2021.

S. Agustiani, Y. Tajul Arifin, A. Junaidi, S. Khotimatul Wildah, and A. Mustopa, “Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram,” J. Komputasi, vol. 10, no. 1, 2022, doi: 10.23960/komputasi.v10i1.2961.

F. I. Kurniadi, “Klasifikasi Topeng Cirebon menggunakan Metode Convolutional Neural Network,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 1, pp. 163–169, 2021, doi: 10.35957/jatisi.v8i1.568.

M. I. Syahputra and A. T. Wibowo, “Klasifikasi Genus Tanaman Anggrek berdasarkan Citra Kuntum Bunga Menggunakan Metode Convolutional Neural Network (CNN),” e-Proceeding Eng., vol. 7, no. 2, pp. 8015–8023, 2020, [Online]. Available: https://www.programmersought.com/article/3724355693/

L. Ratnawati and D. R. Sulistyaningrum, “Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel,” J. Sains dan Seni ITS, vol. 8, no. 2, 2020, doi: 10.12962/j23373520.v8i2.48517.

C. Z. V. Junus, T. Tarno, and P. Kartikasari, “Klasifikasi Menggunakan Metode Support Vector Machine Dan Random Forest Untuk Deteksi Awal Risiko Diabetes Melitus,” J. Gaussian, vol. 11, no. 3, pp. 386–396, 2023, doi: 10.14710/j.gauss.11.3.386-396.

E. Programming, “About the Tutorial Copyright & Disclaimer”.

F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.

D. S. Lee, C. W. Lai, and S. K. Fu, “A short- and medium-term forecasting model for roof PV systems with data pre-processing,” Heliyon, vol. 10, no. 6, 2024, doi: 10.1016/j.heliyon.2024.e27752.

S. Liu, W. Wang, L. Deng, and H. Xu, “Cnn-trans model: A parallel dual-branch network for fundus image classification,” Biomed. Signal Process. Control, vol. 96, no. May 2023, 2024, doi: 10.1016/j.bspc.2024.106621.

S. Saadah and H. Salsabila, “Prediksi Harga Bitcoin Menggunakan Metode Random Forest,” J. Komput. Terap., vol. 7, no. 1, pp. 24–32, 2021, doi: 10.35143/jkt.v7i1.4618.

W. Wang, W. Eberhardt, and S. Bromuri, “Personalizing Communication and Segmentation with Random Forest Node Embedding,” Expert Syst. Appl., vol. 255, no. July, 2024, doi: 10.1016/j.eswa.2024.124621.

M. G. L. Putra and M. I. A. Putera, “Analisis Perbandingan Metode Soap Dan Rest Yang Digunakan Pada Framework Flask Untuk Membangun Web Service,” SCAN - J. Teknol. Inf. dan Komun., vol. 14, no. 2, pp. 1–7, 2019, doi: 10.33005/scan.v14i2.1480.

D. B. Ganesh, Y. Pachipala, S. S. Rizvi, T. C. Manne, H. S. Atchi, and V. V. R. Maheswara Rao, “Flask-Based ASR for Automated Disorder Speech Recognition,” Procedia Comput. Sci., vol. 233, pp. 623–637, 2024, doi: 10.1016/j.procs.2024.03.252.

R. Rosaly and A. Prasetyo, “Flowchart Beserta Fungsi dan Simbol-Simbol,” J. Chem. Inf. Model., vol. 2, no. 3, pp. 5–7, 2020.

R. Abdillah, “Pemodelan Uml Untuk Sistem Informasi Persewaan Alat Pesta,” J. Fasilkom, vol. 11, no. 2, pp. 79–86, 2021, doi: 10.37859/jf.v11i2.2673.

E. A. Risti, “Implementasi Pengolahan Sistem Penjualan Furniture Menggunakan Metode Design Thinking (Studi Kasus : Furniture Jati Sungu Bandar Lampung),” J. Inform. dan Rekayasa Perangkat Lunak, vol. 3, no. 4, pp. 435–445, 2023, doi: 10.33365/jatika.v3i4.2448.


Refbacks

  • There are currently no refbacks.



 
PANDUAN SUBMITE ARTIKEL
 


Kantor Sekertariat:
Universitas PGRI Madiun
Jl. Auri No. 14-16  Kota Madiun 63118
Lt 3 Kantor Program Studi Teknik Informatika
email :  senatik@unipma.ac.id
 
 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.