Klasifikasi Jenis Dan Estimasi Tinggi Tanaman Bonsai Menggunakan Convolutional Neural Network Dan Rf-detr

Counts differ because each database indexes a different set of publications. We treat OpenAlex as the canonical count; Google Scholar is not shown (no API, and crawling it violates its ToS).

Bonsai merupakan seni budidaya tanaman yang kerap diperlombakan dengan kriteria penilaian yang mencakup klasifikasi jenis dan pengukuran tinggi tanaman. Penilaian bonsai yang manual dalam perlombaan cenderung subjektif, tidak konsisten, dan menjadi tidak efisien dalam hal klasifikasi dan pengukuran tinggi bonsai. Penelitian ini bertujuan untuk membangun sistem berbasis hybrid dengan mengintegrasikan VGG19 berbasis CNN dan Roboflow Detection Transformer (RF-DETR) untuk mengotomatisasi klasifikasi serta pengukuran tinggi bonsai dengan menggunakan pendekatan CRISP-DM. Dataset yang digunakan berjumlah 1.050 gambar bonsai yang diambil dari perlombaan bonsai di UIN Sunan Gunung Djati Bandung dan beberapa gambar bonsai yang diambil dari sumber di internet, yang dibagi menjadi 5 kelas: Anting Putri, Cemara Sargenti, Cemara Sinensis, Sisir, dan Sancang. Setiap gambar diubah ke ukuran 512×512 piksel disertai normalisasi dan augmentasi untuk keperluan peningkatan generalisasi model. VGG19 untuk mengidentifikasi karakteristik morfologi dari bonsai, dan RF-DETR untuk mendeteksi bonsai dan pot sebagai referensi kalibrasi spasial dalam konversi piksel ke sentimeter. Hasil evaluasi menunjukkan akurasi keseluruhan sebesar 74% dengan akurasi tertinggi kelas Anting Putri 85%. Visualisasi Grad-CAM menunjukkan bahwa model berfokus pada area morfologi yang relevan. Sistem ini diimplementasikan dalam bentuk aplikasi web berbasis Flask dan React yang dapat memberikan informasi klasifikasi jenis bonsai, confidence score beserta estimasi tinggi tanaman