[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122161-id":3,"doc-seo-122161-113":31,"detail-sidebar-cat-0-id-113":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},122161,962084931830,"Theodore","https://ap-avatar.wpscdn.com/davatar_a8503ba1806abce46bf441b54a3ca4cd",54,"Penelitian & Laporan","Implementasi Machine Learning Dalam Mengidentifikasi Tanaman Hias menggunakan Metode CNN","Penelitian ini bertujuan untuk mengimplementasi dan mengidentifikasi tanaman hias dengan pendekatan Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 3.453 gambar dari lima jenis bunga, untuk mengatasi kendala identifikasi tanaman yang membutuhkan pengetahuan botani mendalam dan proses yang memakan waktu. Tahapan penelitian meliputi pengumpulan data, preprocessing, pelatihan model, serta evaluasi performa model CNN. Akurasi pelatihan mencapai 76,4% dan akurasi validasi 73,6% setelah 40 epoch, dengan indikasi overfitting yang perlu diperhatikan. Hasil penelitian menunjukkan potensi otomatisasi identifikasi tanaman hias secara akurat dan efisien serta membuka peluang pengembangan sistem yang lebih robust dan aplikatif.","Implementasi Machine Learning Dalam Mengidentifikasi Tanaman Hias menggunakan Metode CNN  \nFajar Rahardika Bahari Putra1, La Jupriadi Fakhri*2, Rendra Soekarta3, Wulan Ika  \nAyudiansyah Wahid4  \n1,2,3,4Program Studi Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Sorong,  \nPapua Barat Daya, 98418  \n[e-mail:](e-mail:1fajar_rbp@um-sorong.ac.id)[1](e-mail:1fajar_rbp@um-sorong.ac.id)[fajar_rbp@um-sorong.ac.id](e-mail:1fajar_rbp@um-sorong.ac.id), *[2](2fakhrikmt@um-sorong.ac.id)[fakhrikmt@um-sorong.ac.id](2fakhrikmt@um-sorong.ac.id),3 rendrasoekarta@um  \n[sorong.ac.id](sorong.ac.id), [4](4 kawulansari186@gmail.com)[ kawulansari186@gmail.com](4 kawulansari186@gmail.com)  \nAbstrak  \nPenelitian ini bertujuan untuk mengimplementasi dan identifikasi tanaman hias menggunakan metode Convolutional Neural Network (CNN). Dengan memanfaatkan dataset yang terdiri dari 3.453 gambar dari lima jenis bunga, penelitian ini mengatasi tantangan dalamidentifikasi tanaman yang sering kali memerlukan pengetahuan botani yang mendalam dan memakan waktu. Metode yang digunakan meliputi pengumpulan data, preprocessing, pelatihan model, dan evaluasi. Model CNN yang dikembangkan menunjukkan performa yang baik, denganakurasi pelatihan mencapai 76,4% dan akurasi validasi sebesar 73,6% setelah 40 epoch pelatihan. Meskipun hasil ini menjanjikan, terdapat indikasi overfitting yang perlu diperhatikan. Penelitian ini menyimpulkan bahwa pendekatan machine learning, khususnya CNN, memilikipotensi besar untuk mengotomatisasi proses identifikasi tanaman hias secara akurat dan efisien. Hasil penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam bidang hortikultura dan teknologi pengenalan pola, serta membukapeluang untuk penelitian lebih lanjutdalampengembangan sistemyang lebih robust dan aplikatif.  \nKata kunci—Tanaman Hias, Metode CNN, Machine Learning  \n1. PENDAHULUAN  \nIndonesia merupakan negara dengan kawasan hutan hujan tropis yang luas dan keanekaragamanjenis tumbuhan yang sangat besar [1] . Tanaman hias mempunyai keindahan dan daya tarik tersendiri di antara berbagai jenis tanaman dan menempati kedudukan istimewa sebagai jenistanaman budidaya [2] . Tanaman hias mempunyai keindahan dan daya tarik tersendiri di antara berbagaijenis tanaman dan menempati kedudukan istimewa sebagai jenis tanaman budidaya [3],[4], [5] . Penelitian [6] bertujuan untuk menguji model CNN dalam klasifikasi tumbuhan dan membandingkan akurasinya dengan model lain. Penelitiannya menunjukkan bahwa model optimal yang dipilih memiliki learning rate sebesar 0,001, jumlah epoch sebesar 150, akurasipelatihan sebesar 99,37%, dan akurasi validasi sebesar 96,67% . Penelitian oleh [7] bertujuan untuk mengimplementasikan algoritma convolutional neural network (CNN) menggunakan metode data mining SEMMA menggunakan Keras untuk klasifikasi daun tanaman. Hasilnya menunjukkan bahwa model CNN dengan epoch 100 dan batch size 30 memberikan akurasitertinggi dengan loss sebesar 0,0537 . Saat mengklasifikasikan, daun terbagi dalam sembilan kelas berbeda. Penelitian yang dilakukan [8] bertujuan untuk menerapkan pembelajaran mesin dalam  \naplikasi Tierra kami untuk mengidentifikasi tanaman hias dari gambar. Hasilnya menunjukkan model machine learning yang dikembangkan memiliki akurasi sebesar 89% dalam mengidentifikasi tanaman hias. Studi dilakukan [9] dengan tujuan untuk menerapkan pembelajaran mendalam menggunakan metode pembelajaran transfer menggunakan model MobileNetV2 yang telah dilatih sebelumnya untuk mengidentifikasi daun tanaman obat. Hasil penelitian menunjukkan akurasi yang tinggi yaitu 99% untuk pelatihan, 98% untuk validasi, dan 94% untuk pengujian. Penelitian selanjutnya [10] bertujuan untuk mengembangkan model yang menggunakan algoritma CNN untuk mengidentifikasi infeksi jamur superfisial dan berkontribusipada upaya pencegahan, deteksi dini, dan pengobatan infeksi jamur. Hasil penelitian menunjukkan bahwa model CNN yang diusulkan dapat mencapai akurasi yang tinggi dalam","cbCaidgd31GuOLkf","https://ap.wps.com/l/cbCaidgd31GuOLkf","pdf",497440,4,1,12,"Indonesian","id",113,"# Pendahuluan\n## Latar belakang dan masalah identifikasi tanaman hias\n## Penelitian terkait dan relevansi CNN\n# Metode Penelitian\n## Alur penelitian dan tahapan pengembangan model","[{\"question\":\"Penelitian ini bertujuan untuk apa dalam identifikasi tanaman hias?\",\"answer\":\"Penelitian bertujuan untuk mengimplementasikan dan mengidentifikasi tanaman hias menggunakan metode Convolutional Neural Network (CNN).\"},{\"question\":\"Berapa jumlah data dan jenis tanaman yang digunakan pada dataset?\",\"answer\":\"Dataset terdiri dari 3.453 gambar yang berasal dari lima jenis bunga. \"},{\"question\":\"Bagaimana performa model CNN berdasarkan hasil akurasi yang dilaporkan?\",\"answer\":\"Akurasi pelatihan mencapai 76,4% dan akurasi validasi sebesar 73,6% setelah 40 epoch. Penelitian juga mencatat indikasi overfitting yang perlu diperhatikan.\"}]","Implementasi Machine Learning Dalam Mengidentifikasi Tanaman Hias menggunakan Metode CNN | PDF",1785809131,18,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"implementation-of-machine-learning-for-identifying-ornamental-plants-using-the-cnn-method","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/id/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/id/document/penelitian-laporan/",3,{"item":53,"name":13,"@type":44,"position":20},"https://docshare.wps.com/id/document/implementation-of-machine-learning-for-identifying-ornamental-plants-using-the-cnn-method/122161/",{"url":53,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-15","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Penelitian ini bertujuan untuk apa dalam identifikasi tanaman hias?","Question",{"text":76,"@type":77},"Penelitian bertujuan untuk mengimplementasikan dan mengidentifikasi tanaman hias menggunakan metode Convolutional Neural Network (CNN).","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Berapa jumlah data dan jenis tanaman yang digunakan pada dataset?",{"text":81,"@type":77},"Dataset terdiri dari 3.453 gambar yang berasal dari lima jenis bunga.",{"name":83,"@type":74,"acceptedAnswer":84},"Bagaimana performa model CNN berdasarkan hasil akurasi yang dilaporkan?",{"text":85,"@type":77},"Akurasi pelatihan mencapai 76,4% dan akurasi validasi sebesar 73,6% setelah 40 epoch. Penelitian juga mencatat indikasi overfitting yang perlu diperhatikan.","https://schema.org",{"og:url":53,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,117,121,125,129,133],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},55,"Agama & Spiritualitas",60,"religion-spirituality",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},48,"Cerita & Novel","story-novel",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},56,"Gaya Hidup","lifestyle",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},51,"Komik","comic",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":97,"slug":114},53,"Layanan Kesehatan","healthcare",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":116},"research-report",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},49,"Sastra","literature",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},52,"Teknologi","technology",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},50,"Ujian","exam",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},57,"Umum","general",{"id":134,"doc_module":4,"doc_module_name":47,"category_name":135,"show_sort_weight":4,"slug":136},181,"Formulir","formulir"]