Implementasi Convolutional Neural Network (CNN) untuk Identifikasi Spesifik Cassia fistula dalam Mendukung Pelestarian Hutan

Abstract

Identifikasi spesifik tumbuhan hutan memiliki peran krusial dalam pelestarian,
terutama untuk spesies seperti Cassia fistula, yang banyak ditemukan di Asia Selatan dan Asia Tenggara. Cassia fistula, dikenal dengan nama umum Golden Shower, adalah spesies yang penting dalam ekosistem hutan karena peran ekologisnya dan kegunaannya dalam pengobatan tradisional. Penelitian ini bertujuan untuk meningkatkan akurasi identifikasi spesies ini dengan menerapkan Convolutional Neural Network (CNN). Gambar dari berbagai bagian tubuh Cassia fistula seperti batang, bunga, daun, ranting, dan pohon diambil dan dikelompokkan ke dalam lima kelas, dengan total 345 citra. Model CNN kemudian dilatih dengan 10, 100, dan 200 epoch untuk mengukur efektivitas dalam identifikasi. Hasil menunjukkan bahwa akurasi meningkat dengan bertambahnya epoch: 73,53% untuk 10 epoch, 88,57% untuk 100 epoch, dan 94,12% untuk 200 epoch. Nilai loss juga berkurang secara signifikan, dari 61,16% pada 10 epoch, menjadi 44,31% pada 100 epoch, dan akhirnya 9,27% pada 200 epoch. Dengan hasil ini, CNN terbukti mampu mengidentifikasi Cassia fistula secara spesifik dan akurat, dengan tingkat keberhasilan yang tinggi. Penelitian ini mengindikasikan potensi besar penerapan CNN dalam mendukung efisiensi dan akurasi identifikasi tumbuhan hutan, yang pada gilirannya dapat mendukung upaya pelestarian hutan, terutama di kawasan Asia Tenggara di mana spesies ini banyak ditemukan.