Nur Zuzzaifa and Rianto.

/ Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

Convolutional Neural Network Untuk Perbandingan Optimizer

Pada Citra Batang Pohon

Nur Zuzzaifa Rianto Rianto

Fakultas Sains dan Teknologi Fakultas Sains dan Teknologi
Universitas Teknologi Universitas Teknologi
Yogyakarta Yogyakarta
Yogyakarta, Indonesia Yogyakarta, Indonesia
nurzuzzaifa@[Link] rianto@[Link]

Abstract-In the surrounding environment, there are various types of trees with different
characteristics. One characteristic of a tree that is difficult to distinguish is its trunk. After
researchers made observations, the trunks of Pine and Tabebuya trees had the same
characteristics, namely cracking. The problem of incorrectly identifying the characteristics of a
tree's trunk can be overcome by classification. Deep Learning with the Convolutional Neural
Network (CNN) algorithm is a method commonly used in image classification. The stages in this
research include image data retrieval, data preprocessing, CNN architecture formation, model
training, and model validation. Image retrieval was carried out directly by researchers, then the
1000 best images were selected. The image dataset is then divided into 75% training data and
25% validation data. Testing was carried out by comparing the Stochastic Gradient Descent
(SGD) optimizer and the Adaptive Learning Rate Optimization Method (RMSprop) using epochs
10, 15, 20, 30, 50, and 80. The results showed that the SGD optimizer produced the highest
accuracy compared to the RMSProp optimizer. The most optimal result when applying the SGD
optimizer is 0.9360 with epochs 80, while for the RMSProp optimizer it is 0.9160 with epochs 20.

Keywords— CNN, Classification, RMSProp, SGD

I. PENDAHULUAN
Klasifikasi merupakan pengelompokan objek ke dalam kelas tertentu [1].
Ada berbagai macam jenis klasifikasi diantaranya adalah klasifikasi biner dan
klasifikasi multiclass. Klasifikasi biner adalah proses memasukkan obyek ke
dalam dua kelas yang sesuai, sementara klasifikasi multiclass adalah proses
memasukkan obyek ke dalam banyak pilihan kelas lebih dari dua [2]. Proses
klasifikasi dapat dilakukan untuk menangani data teks, numerik, ataupun citra.
Klasifikasi citra berarti, proses mengelompokkan citra kedalam beberapa
kelas sehingga setiap kelas dapat menjelaskan karakter citra tersebut supaya dapat
dikenali [3]. Dalam klasifikasi citra dapat memanfaatkan machine learning dan
deep learning. Machine learning menjelaskan tentang kapasitas sistem untuk
belajar dari spesifik masalah data latih untuk mengotomatisasi proses dari
pembuatan model analitik dan menyelesaikan tugas terkait. Deep learning
merupakan pengembangan konsep dari machine learning yang didasarkan pada
Artificial Neural Network (ANN) [4]. Kemampuan deep learning visi computer
sangat baik. Salah satu contoh kasusnya adalah klasifikasi objek pada citra [5].
Metode deep learning yang dikenal saat ini sangat dapat memberikan hasil
yang paling signifikan dalam pengenalan citra adalah Convolutional Neural
Network (CNN)[6]. Hal tersebut terjadi karena CNN terinspirasi dari jaringan
syaraf manusia [7]. CNN dapat mengenali dan mendeteksi objek pada sebuah citra
digital dengan baik[8]. Upaya untuk mendapatkan hasil kinerja yang lebih baik,
dalam proses klasifikasi CNN dapat menggunakan metode optimizer. Metode
optimizer merupakan suatu teknik pencarian yang digunakan untuk memperbarui
nilai bobot baik dengan cara mengurangi ataupun menambahkan dalam model

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

179
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

pengembangan ANN sehingga dapat menghasilkan bobot yang paling optimal [9].
Hal ini bertujuan untuk menurunkan nilai loss [10]. Beberapa optimizer yang
sering digunakan contohnya Stochastic Gradient Descent (SGD) dan Adaptive
Learning Rate Optimization Method (RMSprop).
Selain metode optimizer, penentuan jumlah epochs juga penting untuk
mengoptimalkan hasil akurasi dari model klasifikasi. Epochs merupakan seluruh
dataset yang telah melalui proses training model pada neural network sampai
dikembalikan ke awal dalam satu putaran [11]. Tidak terdapat aturan pasti untuk
menentukan jumlah epochs yang digunakan, untuk memudahkan pengujian dapat
menggunakan kelipatan 5 atau 10.
Tahap pertama untuk melakukan klasifikasi citra tentu saja menentukan
obyek. Di lingkungan sekitar, terdapat bermacam jenis pohon dengan karakteristik
yang berbeda-beda. Perbedaannya dapat dilihat dari daun, buah, bunga, akar, atau
batangnya. Bagian-bagian pohon tersebut dapat digunakan untuk
pengklasifikasian citra menurut kemiripan karakteristiknya. Setelah melakukan
pengamatan, terdapat kesamaan karakteristik batang pohon Pinus dan Tabebuya.
Keduanya memiliki batang yang pecah-pecah. Pinus Merkusi (pinus) termasuk
dalam famili Pinaceae yang penyebaran alaminya sampai di selatan khatulistiwa.
Bagian dari pohon pinus yang dapat dimanfaatkan adalah batang pohonnya.
Batang pohonnya dapat bermanfaat untuk mebel, pulp, konstruksi ringan, korek
api, dan sumpit [12]. Sedangkan Tabebuya merupakan jenis tanaman yang
termasuk suku Bignoniaceae berasal dari Brasil, Amerika Selatan [13]. Tabebuya
banyak ditemui di sepanjang jalan raya dan bermanfaat untuk menyerap polusi
udara dari kendaraan bermotor.
Ruang lingkup dalam penelitian ini membahas terkait analisis citra dengan
memanfaatkan Convolutional Neural Network (CNN) untuk menentukan citra
batang tersebut termasuk dalam kelompok batang pohon Pinus atau Tabebuya.
Penentuan klasifikasi citra dalam penelitian ini hanya memperhatikan aspek citra
batang pohon, tanpa memperhatikan bagian struktur pohon lainnya. Tujuan
penelitian ini untuk mengetahui sejauh mana pengaruh kinerja optimizer SGD dan
RMSProp dalam klasifikasi batang pohon Pinus dan tabebuya dengan
membandingkan akurasi dari jumlah epochs yang digunakan.

II. METODOLOGI DAN PENELITIAN TERKAIT

A. Metodologi
Sebelum melakukan penelitian, hal yang paling utama adalah membuat
flowchart kegiatan agar pelaksanaan berjalan dengan efektif. Berikut merupakan
beberapa tahapan yang dipakai dimulai dari pengambilan data citra, data
preprocessing, pembentukan arsitektur CNN, pelatihan dan validasi model CNN,
dan analisis hasil dari akurasi pelatihan dan validasi untuk mencapai tujuan
penelitian.

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

180
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

Gambar 1. Flowchart Kerja

1. Pengambilan Data Citra

Data citra yang digunakan adalah batang pohon Tabebuya dan Pinus
dengan jumlah total 1000 citra terbagi dalam 500 citra Pinus dan 500 Tabebuya.
Jenis data yang digunakan pada penelitian ini adalah data primer. Data primer
adalah data yang didapatkan atau diperoleh secara langsung oleh peneliti. Dalam
pengambilan dataset, peneliti memotret citra batang pohon menggunakan kamera
android.
2. Data Preprocessing
Setelah dataset terkumpul, langkah selanjutnya yaitu melakukan
preprocessing data untuk mendapatkan kualitas data yang baik. Tahap
preprocessing dalam penelitian ini sebagai berikut:
a. Pemilahan citra
Mengambil dataset secara langsung belum tentu menjadikan dataset
sepenuhnya bersih, maka langkah awal dapat melakukan pemilihan data citra.
Langkah ini bertujuan untuk menghapus citra yang diambil terlalu jauh dari
obyek dan memiliki kualitas citra yang rendah.
b. Resize
Resize bertujuan untuk mengubah ukuran citra sesuai ratio atau piksel
yang telah ditentukan. Peneliti menentukan ratio citra data menggunakan
ukuran . Selanjutnya, citra yang telah diubah sesuai dengan rasio yang
ditentukan akan direpresentasikan dalam bentuk matriks secara numerik[14].
c. Pembagian data
Dataset citra terbagi menjadi dua yaitu 75% data latih dan 25% data validasi.
d. Labelling
Pengubahan nama file citra dilakukan sesuai kelas dengan format penamaan
pinus_xx dan tabebuya_xx. Dalam folder dataset citra, terdapat dua subfolder
pinus dan tabebuya yang telah terisisi citra yang sesuai.

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

181
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

Gambar 2. Subfolder dataset

Gambar 3. Isi subfolder pinus

Gambar 4. Isi subfolder tabebuya

3. Pembentukan Arsitektur Convulution Neural Network (CNN)

Dalam penelitian ini menggunakan bahasa pemrograman python dengan
bantuan software Google Colab dan algoritma Convolutional Neural Network
(CNN). Algoritma CNN termasuk dalam metode supervised learning atau dikenal
juga pembelajaran terarah dimana dapat mengidentifikasi suatu citra dengan
melatih data citra sebelumnya dan menargetkan variabel citra [10]. Dua tahapan
yang ada dalam Arsitektur CNN adalah feature learning dan classification [6].
Tahapan feature learning terdiri dari convolutional layer dan pooling layer,
sedangkan tahapan classification terdiri dari flatten dan fully connected layer.
Pada tahap Convolutional layer akan dilakukan filter terhadap citra, kemudian
filter itu terus bergeser ke seluruh bagian citra, dan menghasilkan output yang
disebut feature map [15]. Pooling layer merupakan tahapan setelah convolutional
layer [6]. Pooling layer adalah proses yang dilakukan untuk mengurangi ukuran
matriks dari hasil proses konvolusi [11]. Max pooling merupakan pooling layer
yang paling umum digunakan untuk mengurangi feature map sehingga dapat
mempercepat komputasi [15]. Feature map hasil dari proses feature extraction
menggunakan convolutional dan pooling layer masih berbentuk multidimensional
array, sehingga langkah selanjutnya dilakukan flatten atau reshape feature map
menjadi sebuah vector supaya dapat digunakan sebagai input dari fully connected
layer [16].
4. Pelatihan Model CNN dan Validasi Model CNN
Dataset citra yang disiapkan dilakukan proses pengujian terhadap model
CNN dengan menerapkan metode optimizer Root-Mean-Square Propagation
(RMSProp) dan Stochastic Gradient Descent (SGD) serta menggunakan beberapa
epochs sebagai parameter pembanding. Epochs yang digunakan dalam penelitian
ini yaitu 10, 15, 20, 30, dan 50. RMSprop merupakan metode optimasi yang

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

182
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

menggunakan besarnya gradien terkini sehingga bermanfaat untuk menormalkan

gradien, alasan fungsi ini disebut RMS karena mampu mempertahankan rata-rata
bergerak di atas gradien root mean square [17]. Algoritma RMSProp berasal dari
konsep penurunan gradien dan Resilient Back Propagation (RProp), yang berada di ranah
tingkat pembelajaran adaptif dan dirancang untuk pelatihan Jaringan Syaraf Tiruan.
Sedangkan, algoritma SGD adalah metode iteratif yang umum dalam machine learning
untuk mengoptimalkan penurunan gradien. Metode ini memungkinkan pengguna dapat
menginisialisasi bobot dan melakukan pembaruan vektor bobot hanya dengan satu titik
data [18].
5. Akurasi Pelatihan dan Akurasi Validasi
Berdasarkan uji coba pelatihan model dan validasi model CNN, dihasilkan
beberapa hasil akurasi. Hasil akurasi yang didapatkan yaitu nilai akurasi pada
proses pelatihan, nilai akurasi pada proses validasi, nilai loss pada proses
pelatihan, dan nilai loss pada proses validasi. Dari hasil tersebut, maka dapat
disimpulkan gabungan metode dan epochs yang tepat untuk proses klasifikasi
citra ini.

B. Penelitian Terkait
Beberapa penelitian mengenai klasifikasi bagian dari tumbuhan dan pohon
telah dilakukan. Salah satunya klasifikasi citra bunga. Penelitian [19] membahas
tentang klasifikasi bunga anggrek yang mengimplementasikan model
Convolutional Neural Network (CNN) dan AlexNet. Performasi terbaik pada
model AlexNet yaitu precision 79.76%, recall 83.33%, f score 84.10% dan akurasi
sebesar 86.07%. Sedangkan untuk model CNN yaitu precision 93.75%, recall
91.66%, f score 91.74% dan akurasi sebesar 91.42%. Kelemahan dalam
penelitian tersebut belum terdapat skenario pengujian menggunakan optimizer
yang berbeda-beda.
Penelitian [20] mengidentifikasi parasit malaria pada citra mikroskopis
hapusan darah dengan berbagai optimizer. Tujuh optimizer yang berbeda-beda
yaitu Adam, AdaDelta, RMSProp, SGD, AdaMax, Nadam, dan AdaGrad
digunakan untuk pengujian penelitian tersebut. Hasilnya menunjukkan bahwa
algoritma RMSProp dapat menghasilkan kinerja paling baik dengan nilai presisi
dan recall tertinggi sebesar 0.98, skor f1 rata-rata sebesar 0.96, dan akurasi
validasi sebesar 95.83%.
Penelitian [19] menggunakan ResNet-50 dengan menggunakan metode
optimizer SGD, Adam, dan RMSprop dan konfigurasi hyperparameter untuk
klasifikasi citra daging sapi, babi, dan oplosan. Hasil menunjukkan SGD adalah
optimizer terbaik dalam penelitian tersebut dengan tingkat nilai akurasi sebesar
97,83%, ketepatan sebesar 97%, recall sebesar 97%, dan skor f1 sebesar 97%
dengan kondisi batch size 32, learning rate 0,01, dan epoch 50.
Berdasarkan beberapa penelitian yang telah dilakukan, maka peneliti
menentukan penggunaan model CNN karena terbukti menghasilkan akurasi yang
optimal. Selain itu, juga membandingkan optimizer SGD dan RMSProp
berdasarkan penelitian [20] dan [19] untuk melihat mana yang lebih unggul jika
diterapkan pada klasifikasi citra batang pohon.

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

183
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

III. HASIL DAN PEMBAHASAN

A. Hasil Data Preprocessing
Input citra dataset diubah menjadi piksel. Citra akan menjadi 3
matriks sesuai channel yang dimiliki yaitu Red, Green, dan Blue (RGB).
Visualisasi citra dapat diamati menggunakan library [Link] seperti
Gambar 5 berikut:

Gambar 5. Data Preprocessing

B. Hasil Arsitektur CNN

Gambar 6. Model CNN

Proses pertama kali yakni input citra dengan ukuran

sesuai dengan yang telah ditetapkan pada data preprocessing. Convolution

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

184
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

pertama menggunakan kernel dengan 16 filter dan aktivasi relu sehingga

hasil convolution pertama memiliki output ukutan citra sebesar
dan parameter yang dihasilkan berjumlah (( ) ) .
Setelah itu terjadi proses pooling dengan menggunakan jenis max pooling dengan
ukuran , sehingga ukuran citra yang pada awalnya berubah
menjadi . Parameter tidak dihitung dalam proses ini, oleh karena itu
tidak terdapat jumlah parameter artinya total parameter bernilai 0. Kemudian,
proses convolution kedua menggunakan 32 filter, input citra berukuran
, dan kernel . Dari proses tersebut menghasilkan output parameter
berjumlah (( ) ) . Setelah itu terjadi proses pooling
dengan menggunakan jenis max pooling dengan ukuran , sehingga ukuran
citra yang pada awalnya berubah menjadi . Proses convolution
ketiga dengan 64 filter, input citra , dan kernel . Dari proses tersebut
menghasilkan output parameter berjumlah (( ) ) .
Setelah itu terjadi proses pooling dengan menggunakan jenis max pooling dengan
ukuran , sehingga ukuran citra yang pada awalnya berubah menjadi
.
Output tahap flatten yakni sebesar kemudian
dilanjutkan ke tahap dense layer dengan 128 unit sesuai besarnya unit yang sudah
ditetapkan. Didapatkan hasil output yaitu ( )
parameter. Selanjutnya pada dense layer kedua, sesuai dengan jumlah klasifikasi
pada penelitian ini yaitu sebanyak 2 menghasilkan output sebesar ( )
parameter. Total keseluruhan parameter sama dengan jumlah parameter
pada tahap latih yakni sebesar 10059170.

C. Hasil Pelatihan Model CNN dan Validasi Model CNN

Tabel 1. Hasil akurasi penggunaan optimizer RMSProp

Data Latih Data Validasi
Loss Loss
Akurasi Akurasi
Akurasi Akurasi
Epochs 10 0.9103 0.2521 0.9120 0.2402
Epochs 15 0.9680 0.1107 0.8680 0.3137
Epochs 20 0.9453 0.3806 0.9160 0.2468
Epochs 30 0.9880 0.0373 0.8880 0.6047
Epochs 50 1.0000 5.5218e-07 0.8320 1.1544
Epochs 80 1.0000 6.0081e-08 0.8200 1.7096

Tabel 2. Hasil akurasi penggunaan optimizer SGD

Data Latih Data Validasi
Loss Loss
Akurasi Akurasi
Akurasi akurasi
Epochs 10 0.6813 0.6038 0.7760 0.5396
Epochs 15 0.6276 0.6498 0.7760 0.5124
Epochs 20 0.7853 0.4928 0.8160 0.4342
Epochs 30 0.8293 0.3972 0.8960 0.3439
Epochs 50 0.9453 0.1644 0.9040 0.2398
Epochs 80 1.0000 0.0032 0.9360 0.1785

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

185
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

Pada tabel 1 dapat diamati bahwa semakin banyak epochs yang digunakan,
akurasi data latih semakin baik. Pada epochs 50 terlihat bahwa akurasi data latih
sudah mencapai 1,000. Namun, akurasi data latih tidak selalu mengakibatkan
akurasi data validasi juga semakin baik. Dapat dilihat dalam tabel bahwa
penggunaan optimizer RMSProp dengan epochs yang semakin tinggi
menghasilkan akurasi data validasi yang cenderung turun. Akurasi paling optimal
dapat dilihat dari tabel tersebut yaitu 0.9160. Gambar dibawah ini merupakan
grafik dari performa terbaik yang dihasilkan oleh optimizer RMSProp dan epochs
20.

Gambar 7. Grafik akurasi RMSProp dengan epochs 20

Hasil akurasi pada data latih menggunakan optimizer SGD sama dengan
RMSProp yang meningkat signifikan. Perbedaannya, penggunaan optimizer SGD
dapat menghasilkan akurasi data validasi cenderungan meningkat. Hasil pada
penelitian ini dapat dilihat bahwa semakin banyak epochs yang digunakan maka
akurasi data validasi menggunakan optimizer SGD semakin meningkat. Pada tabel
2 dapat dilihat akurasi paling optimal yaitu 0,9360. Gambar dibawah ini
merupakan grafik dari performa terbaik yang dihasilkan optimizer SGD dan
epochs 80.

Gambar 8. Grafik akurasi SGD dengan epochs 80

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

186
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

IV. KESIMPULAN
Dalam penelitian klasifikasi citra batang pohon Pinus dan Tabebuya ini
menggunakan model CNN yang terdiri dari tiga kali tahap convolution, pooling
layer dengan jenis max pooling, flatten, dan dense layer. Hasilnya dapat terlihat
bahwa SGD merupakan optimizer terbaik dengan epochs 80 menghasilkan akurasi
data latih 0.9453 dan validasi 0.9160. Kemudian hasil paling optimal dari
RMSProp yaitu dengan menggunakan epochs 20 yang menghasilkan akurasi data
latih 1.0000 dan validasi 0.9360. Dari akurasi tersebut, sudah dapat mewakili
bahwa Concolution Neural Network dengan bantuan optimizer SGD dan
RMSPRop dapat digunakan dalam klasifikasi citra.
Ada beberapa saran untuk menjadi pertimbangan dalam penelitian selanjutnya,
antara lain meningkatkan kualitas pengambilan citra, mencoba variasi kombinasi
lain dalam pembuatan model CNN, dan melakukan evaluasi dengan data baru.

DAFTAR PUSTAKA
[1] H. F. Putro, R. T. Vulandari, and W. L. Y. Saptomo, “Penerapan Metode Naive
Bayes Untuk Klasifikasi Pelanggan,” J. Teknol. Inf. dan Komun., vol. 8, no. 2,
2020, doi: 10.30646/tikomsin.v8i2.500.
[2] R. S. Tantika, P. Statistika, F. Matematika, and P. Alam, “pada Data Pasien
Penyakit Tiroid,” pp. 159–166.
[3] H. Mayatopani, R. I. Borman, W. T. Atmojo, and A. Arisantoso, “Classification of
Vehicle Types Using Backpropagation Neural Networks With Metric and
Ecentricity Parameters,” J. Ris. Inform., vol. 4, no. 1, pp. 65–70, 2021, doi:
10.34288/jri.v4i1.293.
[4] J. Díaz-Ramírez, “Machine Learning and Deep Learning,” Ingeniare, vol. 29, no.
2, pp. 182–183, 2021, doi: 10.4067/S0718-33052021000200180.
[5] L. Marifatul Azizah, S. Fadillah Umayah, and F. Fajar, “Deteksi Kecacatan
Permukaan Buah Manggis Menggunakan Metode Deep Learning dengan
Konvolusi Multilayer,” Semesta Tek., vol. 21, no. 2, pp. 230–236, 2018, doi:
10.18196/st.212229.
[6] M. I. Mardiyah, “Implementasi Deep Learning untuk Image Classification
Menggunakan Algoritma Convolutional Neural Network (CNN) Pada Citra Kebun
dan Sawah,” Univ. Islam Indones., no. June, 2020, doi:
10.13140/RG.2.2.10880.53768.
[7] M. Farid Naufal et al., “Klasifikasi Citra Game Batu Kertas Gunting
Menggunakan Convolutional Neural Network Image Classification of Rock Paper
Scissor Game Using Convolutional Neural Network,” [Link], vol. 20, no.
1, pp. 166–174, 2021.
[8] O. D. S. Sunanto and P. H. Utomo, “Implementasi Deep Learning Dengan
Convolutional Neural Network Untuk Klasifikasi Gambar Sampah Organik Dan
Anorganik,” Pattimura Proceeding Conf. Sci. Technol., vol. 1, no. 2, pp. 335–340,
2022, [Online]. Available:
[Link]
[9] K. Heryandi Suradiradja, U. Pamulang, J. Raya Puspiptek, K. Pamulang, and K.
Tangerang Selatan, “Algoritme Machine Learning Multi-Layer Perceptron dan
Recurrent Neural Network untuk Prediksi Harga Cabai Merah Besar di Kota
Tangerang,” Fakt. Exacta, vol. 14, no. 4, pp. 1979–276, 2021, doi:
10.30998/faktorexacta.v14i4.10376.
[10] A. J. Rozaqi, A. Sunyoto, and M. rudyanto Arief, “Deteksi Penyakit Pada Daun
Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

187
 Nur Zuzzaifa and Rianto. / Jurnal Sistem Cerdas (2023) Vol 6- No3 Hal 179 - 188

Network,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 22, 2021, doi:
10.24076/citec.2021v8i1.263.
[11] S. Winiarti, C. Wukir, U. Ahdiani, and T. Ismail, “Klasifikasi Image Untuk Jenis
Buku Bacaan Anak-Anak dengan Menggunakan Convolutional Neural Network,”
J. Media Inform. Budidarma, vol. 6, no. 2, p. 738, 2022, doi:
10.30865/mib.v6i2.3504.
[12] S. Suluh, “Studi Eksperimen Limbah Buah Pinus Sebagai Sumber Energi
Alternatif Ditinjau Dari Variasi Butiran,” J. Dyn. Saint, vol. 3, no. 1, pp. 444–459,
2018, doi: 10.47178/dynamicsaint.v3i1.269.
[13] S. Anindyanari, W. Widjanarko, and B. Widodo, “MANAJEMEN KONTEN
INSTAGRAM MILIK PEMERINTAH DALAM PROMOSI POTENSI
PARIWISATA DAERAH DI KABUPATEN BANYUMAS PROVINSI JAWA
TENGAH : STUDI TENTANG AKUN INSTAGRAM
@DINPORABUDPAR_BANYUMAS Wisnu Widjanarko Bambang Widodo,”
vol. 17, no. 1, pp. 91–103, 2021, [Online]. Available:
[Link]
[14] I. Wulandari, H. Yasin, T. Widiharih, D. Statistika, and U. Diponegoro,
“Klasifikasi citra digital bumbu dan rempah dengan algoritma convolutional
neural network (cnn) 1,2,3,” vol. 9, pp. 273–282, 2020.
[15] M. P. Véstias, “Convolutional Neural Network,” Encycl. Inf. Sci. Technol. Fifth
Ed., vol. 8, no. 4, pp. 12–26, 2020, doi: 10.4018/978-1-7998-3479-3.ch002.
[16] R. Mehindra Prasmatio, B. Rahmat, and I. Yuniar, “Algoritma Convolutional
Neural Network,” J. Inform. dan Sist. Inf., vol. 1, no. 2, pp. 510–521, 2020.
[17] L. G. Astuti, P. S. Informatika, and U. Udayana, “Implementasi LSTM pada
Analisis Sentimen Review Film Menggunakan Adam dan RMSprop Optimizer,”
vol. 10, no. 4, pp. 351–362, 2022.
[18] B. Nugroho, E. Y. Puspaningrum, and M. S. Munir, “Kinerja Algoritma Optimasi
Root-Mean-Square Propagation dan Stochastic Gradient Descent pada Klasifikasi
Pneumonia Covid-19 Menggunakan CNN,” J. Edukasi dan Penelit. Inform., vol.
7, no. 3, p. 420, 2021, doi: 10.26418/jp.v7i3.49172.
[19] D. Efendi, S. Sanjaya, F. Syafria, and E. Budianita, “Penerapan Algoritma
Convolutional Neural Network Arsitektur ResNet-50 untuk Klasifikasi Citra
Daging Sapi dan Babi,” J. Ris. Komput., vol. 9, no. 3, pp. 2407–389, 2022, doi:
10.30865/jurikom.v9i3.4176.
[20] N. K. C. PRATIWI, N. IBRAHIM, Y. N. FU’ADAH, and S. RIZAL, “Deteksi
Parasit Plasmodium pada Citra Mikroskopis Hapusan Darah dengan Metode Deep
Learning,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol.
9, no. 2, p. 306, 2021, doi: 10.26760/elkomika.v9i2.306.

©Asosiasi Prakarsa Indonesia Cerdas (APIC)

188