MAGELANG, Juli – Kendala utama yang dihadapi pembudidaya pemula tanaman anggrek sering kali berakar pada minimnya pengetahuan dalam mengidentifikasi jenis tanaman sejak dini. Perbedaan spesies membutuhkan pola perawatan yang spesifik, sehingga kesalahan identifikasi pada tahap awal budidaya kerap mengakibatkan tanaman sulit tumbuh dan enggan berbunga. Berangkat dari persoalan tersebut, Ahmad Nurul Furqon, mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Magelang, mengembangkan sistem berbasis kecerdasan buatan yang mampu mengklasifikasikan jenis anggrek secara otomatis hanya melalui bentuk daunnya.
Penelitian yang mengambil lokasi pengambilan data di kebun budidaya Anggrek Magelang Bagas Orchid ini mengangkat tema penerapan algoritma deep learning dengan metode Convolutional Neural Network (CNN) menggunakan arsitektur VGG-16. Sistem yang dirancang berfokus pada pemrosesan citra digital untuk mengenali tiga varietas anggrek populer yang kerap dibudidayakan di Indonesia, yakni Cattleya, Dendrobium, dan Vanda.
Menurut Ahmad, tujuan utama penelitiannya adalah menciptakan sistem identifikasi berbasis digital yang presisi guna membantu pemula membedakan jenis anggrek sejak usia muda. Selama ini, informasi mengenai karakteristik morfologi tanaman masih terbatas pada literatur fisik atau ingatan manual yang menyulitkan pembudidaya awam. Melalui sistem ini, proses klasifikasi tidak lagi mengandalkan kemunculan bunga, melainkan dapat diprediksi secara akurat melalui visualisasi daun yang diproses oleh komputer.
Dalam pengembangannya, penelitian ini memanfaatkan dataset sebanyak 450 citra visual daun anggrek, yang terdiri atas 300 data latih-validasi dan 150 data uji independen. Untuk mengoptimalkan ekstraksi fitur, penelitian ini mengimplementasikan tahapan image preprocessing yang terstruktur, meliputi penghapusan latar belakang (background removal), penyesuaian ukuran piksel (resize menjadi 224×224 piksel), serta teknik augmentasi citra berupa rotate, flip, dan zoom. Melalui augmentasi, total data latih berhasil diperbanyak hingga mencapai 1.500 citra guna mencegah terjadinya overfitting pada model.
Hasil pengujian menunjukkan bahwa model arsitektur VGG-16 yang dikembangkan berhasil mencatatkan performa klasifikasi yang sangat tinggi. Berdasarkan evaluasi confusion matrix terhadap 150 data uji, sistem ini memperoleh tingkat akurasi mencapai 97,33 persen, presisi 97,42 persen, recall 97,33 persen, serta F1-Score sebesar 97,33 persen. Performa ini terbukti jauh melampaui arsitektur pembanding ResNet-50 yang pada pengujian serupa hanya mencapai akurasi sebesar 60,67 persen. Penelitian ini juga membuktikan bahwa pembersihan latar belakang citra terbukti efektif mendongkrak akurasi model hingga lebih presisi.
Guna memastikan keterpakaian riset di lapangan, sistem klasifikasi ini turut diintegrasikan ke dalam antarmuka pengguna berbasis grafis (Graphical User Interface/GUI) menggunakan kerangka kerja PyQt5. Tampilan aplikasi yang intuitif memungkinkan pengguna mengunggah foto daun anggrek secara praktis dan mendapatkan hasil prediksi jenis tanaman beserta tingkat probabilitasnya secara langsung.
Melalui inovasi ini, Ahmad Nurul Furqon membuktikan bahwa integrasi teknologi pengolahan citra digital tidak hanya memperluas ranah penerapan deep learning, tetapi juga menghadirkan solusi praktis bagi para pembudidaya tanaman hias dalam mengoptimalkan perawatan anggrek sejak tahap awal pertumbuhan.(ed.adm_kuikimmi)
Sumber: repositori UNIMMA
