Repositori Institusi · Akses Terbuka

Temukan karya ilmiah Universitas Kuningan dalam hitungan detik.

4.870 skripsi, tesis, dan publikasi terarsip rapi — cari berdasarkan judul, penulis, subjek, atau fakultas.

4.870item terarsip
6 fakultaspenyumbang koleksi
24 jamakses publik, gratis

Tentang Repositori

Repositori Universitas Kuningan merupakan layanan arsip online yang dikelola oleh perpustakaan Universitas Kuningan. Dengan menggunakan EPrints sebagai repositori, website ini didirikan untuk mengumpulkan, mengelola, menyimpan, melestarikan dan menyebarluaskan salinan digital hasil intelektual Universitas Kuningan. Tujuan utama dari repositori ini adalah untuk menyediakan dokumen jangka panjang, akses terbuka dan dengan mudah mengambil koleksi digital untuk mendukung proses belajar-mengajar. Dengan adanya repositori ini, diharapkan hasil karya warga kampus UNIKU dapat diakses secara luas.

Panduan Penggunaan

Baru pertama kali memakai RAMA? Unduh petunjuk unggah mandiri, atau baca panduan penggunaan lengkap di bawah ini.

Petunjuk Unggah Mandiri →

Bantuan EPrints →

Zafar, Ahmad (2025) IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) PADA SISTEM KLASIFIKASI BUNGA ANGGREK. S1 / D3 thesis, Universitas Kuningan.

[thumbnail of ABSTRAK] Text (ABSTRAK)
ABSTRAK.pdf

Download (1MB)
[thumbnail of BAB I] Text (BAB I)
BAB I.pdf

Download (1MB)
[thumbnail of BAB II] Text (BAB II)
BAB II.pdf
Restricted to Repository staff only

Download (804kB) | Request a copy
[thumbnail of BAB III] Text (BAB III)
BAB III.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[thumbnail of BAB IV] Text (BAB IV)
BAB IV.pdf
Restricted to Repository staff only

Download (749kB) | Request a copy
[thumbnail of BAB V] Text (BAB V)
BAB V.pdf

Download (357kB)
[thumbnail of DAFTAR PUSTAKA] Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf

Download (285kB)
[thumbnail of LAMPIRAN] Text (LAMPIRAN)
LAMPIRAN.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy
Official URL: https://rama.uniku.ac.id

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis bunga anggrek menggunakan algoritma Convolutional Neural Network (CNN). Tiga jenis anggrek yang diklasifikasikan dalam penelitian ini adalah Dendrobium, Phalaenopsis, dan Vanda. Proses klasifikasi dilakukan melalui tahapan pengumpulan data, pra-pemrosesan citra, pelatihan model CNN, dan evaluasi performa menggunakan metrik seperti precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa model CNN yang dibangun mampu mengklasifikasikan gambar bunga anggrek dengan akurasi tinggi. Kelas Vanda memperoleh nilai f1-score tertinggi sebesar 95,89%, diikuti oleh Dendrobium sebesar 85,49%, dan Phalaenopsis sebesar 84,36%. Beberapa kendala dalam klasifikasi masih ditemukan, terutama pada gambar dengan pencahayaan rendah, sudut pengambilan yang ekstrem, serta latar belakang yang bervariasi. Secara keseluruhan, sistem ini menunjukkan kinerja yang baik dalam membedakan ketiga jenis bunga anggrek yang diuji

This research aims to develop an orchid flower type classification system using the Convolutional Neural Network (CNN) algorithm. The three types of orchids classified in this research are Dendrobium, Phalaenopsis, and Vanda. The classification process is carried out through the stages of data collection, image pre-processing, CNN model training, and performance evaluation using metrics such as precision, recall, and f1-score. The test results show that the CNN mode built is able to classify orchid flower images with high accuracy. The Vanda class obtained the highest f1-score value of 95.89%, followed by Dendrobium at 85.49%, and Phalaenopsis at 84.36%. Some classification problems were still encountered, especially in images with low lighting, extreme capture angles, and varied backgrounds. Overall, the system showed good performance in distinguishing between the three types of orchid flowers tested.

Item Type: Thesis (S1 / D3)
Uncontrolled Keywords: Klasifikasi bunga anggrek, pengolahan citra digital, Convolutional Neural Network, orchid flower classification, Deep Learning, digital image processing.
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions: Fakultas Ilmu Komputer > S1 Teknik Informatika
Depositing User: S.Kom Ahmad Zafar
Date Deposited: 25 Sep 2026 01:15
Last Modified: 25 Sep 2026 01:15
URI: https://rama.uniku.ac.id/id/eprint/6838

Actions (login required)

View Item
View Item