2254 6392 1 PB
2254 6392 1 PB
ABSTRAK
Convolutional Neural Network adalah salah satu algoritma Deep Learning yang
merupakan pengembangan dari Multilayer Peceptron (MLP) yang dirancang untuk
mengolah data dalam bentuk dua dimensi, misalnya gambar atau suara. CNN
dibuat dengan prinsip translation invariance yaitu dapat mengenali objek dalam
citra pada berbagai macam posisi yang mungkin. Terdapat 2000 citra daun yang
diklasifikasi menggunakan Alexnet. Alexnet merupakan arsitektur CNN milik
Krizhevsky yang memiliki delapan layer ekstraksi fitur. Layer tersebut terdiri dari
lima layer konvolusi dan tiga pooling layer. Dalam layer klasifikasinya, Alexnet
mempunyai dua layer Fully Connected yang masing-masing mempunyai 4096
neuron. Pada akhir layer terdapat pengklasifikasian kedalam 20 kategori
menggunakan aktifasi softmax. Rata-rata akurasi dari hasil klasifikasi mencapai
85%. Sedangkan akurasi dari identifikasi berhasil mencapai 90% yang didapatkan
dari pengujian 40 citra.
menggunakan CPU dan RAM dalam sederhana seperti kecerahan dan tepi
proses komputasi, metode ini juga atau meningkatkan kompleksitas pada
memanfaatkan kemampuan GPU fitur yang secara unik menentukan objek
sehingga proses komputasi data yang sesuai ketebalan lapisan (Mathworks,
besar dapat berlangsung lebih cepat. 2017).
Dengan menggunakan CNN, dataset Secara umum tipe lapisan pada CNN
citra daun dari Neeraj Kumar yang dibagi menjadi dua. Lapisan pertama
mempunyai 20 jenis genus tumbuhan dan adalah lapisan ekstraksi fitur (feature
masing-masing genus memiliki seratus extraction layer), letaknya berada pada
citra daun beresolusi tinggi dapat awal arsitektur tersusun atas beberapa
diidentifikasi lebih mudah. Kemudahan ini lapisan dan setiap lapisan tersusun atas
karena CNN dapat mengenali objek neuron yang terkoneksi pada daerah lokal
dalam citra pada berbagai macam posisi (local region) dari lapisan sebelumnya.
yang mungkin (translation invariance). Lapisan jenis pertama adalah
convolutional layer dan lapisan kedua
2. TINJAUAN PUSTAKA adalah pooling layer. Setiap lapisan
2.1 Convolutional Neural Network diberlakukan fungsi aktivasi dengan
Convolutional Neural Network posisinya yang berselang-seling antara
(CNN/ConvNet) adalah salah satu jenis pertama dengan jenis kedua.
algoritma dari deep learning yang Lapisan ini menerima input gambar
merupakan pengembangan dari Multilayer secara langsung dan memprosesnya
Percepton (MLP) yang dirancang untuk hingga menghasilkan output berupa
mengolah data dalam bentuk dua vektor untuk diolah pada lapisan
dimensi, misalnya gambar atau suara. berikutnya. Lapisan kedua adalah lapisan
CNN digunakan untuk mengklasifikasi klasifikasi (classfication layer), tersusun
data yang terlabel dengan menggunakan atas beberapa lapisan dan setiap lapisan
metode supervised learning. Cara kerja tersusun atas neuron yang terkoneksi
dari supervised learning adalah terdapat secara penuh (fully connected) dengan
data yang dilatih dan terdapat variabel lapisan lainnya. Layer ini menerima input
yang ditargetkan sehingga tujuan dari dari hasil keluaran layer ekstrasi fitur
metode ini adalah mengelompokan suatu gambar berupa vektor, kemudian
data ke data yang sudah ada. ditransformasikan seperti Multi Neural
Lapisan-lapisan CNN memiliki Networks dengan tambahan beberapa
susunan neuron 3 dimensi (lebar, tinggi, hidden layer. Hasil keluaran berupa
kedalaman). Lebar dan tinggi merupakan akurasi kelas untuk klasifikasi.
ukuran lapisan, sedangkan kedalaman
mengacu pada jumlah lapisan. Sebuah 2.2 Operasi Konvolusi
CNN dapat memiliki puluhan hingga Konvolusi didefinisikan sebagai
ratusan lapisan yang masing-masing proses untuk memperoleh suatu piksel
belajar mendeteksi berbagai gambar. didasarkan pada nilai piksel itu sendiri dan
Pengolahan citra diterapkan pada setiap tetangganya dengan melibatkan suatu
citra latih pada resolusi yang berbeda, matriks yang disebut kernel yang
dan output dari masing-masing gambar merepresentasikan pembobotan
yang diolah dan digunakan sebagai input (Kusumanto et al. 2011). Operasi ini
ke lapisan berikutnya. Pengolahan citra menerapkan fungsi output sebagai
dapat dimulai sebagai fitur yang sangat Feature Map dari masukan citra. Masukan
ⅇ 𝑧𝐽
𝑓𝑗 (𝑍) = (1)
∑ ⅇ 𝑧𝑘
𝑘
12) Convolution : 256 3x3x192 dengan 17) Fully Connected : 4096 layer
stride [1 1] dan padding [1 1] 18) ReLU
Proses konvolusi dengan ukuran 19) Fully Connected : 1000 layer
kernel 3x3x192 sebanyak 256, 20) Softmax
dengan stride 1 dan padding 1. Layer Aktifasi Softmax atau Softmax
konvolusi kelima dengan ukuran Classifier merupakan aktifasi yang
kernel 3x3x192 menunjukkan seluruh sering dipakai untuk menangani
objek. Keluaran dari layer ini kasus multiclass classification, karena
berukuran 13x13x384 yang dapat output layer biasanya memiliki lebih
dihitung menggunakan rumus dari satu neuron.
Dimensi Keluaran seperti berikut : 21) Keluaran klasifikasi
Cross Validation sebesar 85 persen yang mendapatkan nilai akurasi yang cukup
didapat dari hasil rata-rata seluruh akurasi tinggi. Percobaan pertama mendapatkan
Fold pada setiap percobaan. Fold 10, prediksi benar sebanyak 36 citra dari 40
sebagai fold yang mempunyai nilai citra uji sehingga mendapatkan nilai
akurasi rata-rata tertinggi digunakan akurasi sebesar 90 persen. Pada
sebagai data latih pada percobaan percobaan kedua hanya didapati dua
sekenario berikutnya. prediksi salah dari 40 citra uji dan
menghasilkan nilai akurasi 95 persen.
Tabel 1. Akurasi Hasil Percobaan dengan Sedangkan pada percobaan ketiga
Metode K-Fold Cross Validation menghasilkan nilai akurasi sebesar 87
Fold Percobaa Percobaa Percobaa Rata-
persen. Dari ketiga percobaan tersebut,
n-1 (%) n-2 (%) n-3 (%) rata (%) didapatkan nilai akurasi sistem sebesar
1 84,5 84,5 83,5 84,1 90,8 persen.
2 85,5 84 86 85,1
3 86 85,5 84,5 85,3 5. KESIMPULAN DAN SARAN
4 84 83 82 83 Dari hasil pengamatan selama
5 83 86 84,5 84,5 perancangan, implementasi, dan proses
6 85,5 86,5 89 87
uji coba sistem, dapat diambil kesimpulan
7 90 82,5 85 85,8
yaitu : (1) Percobaan menggunakan fold
cross validation dengan nilai k=10
8 84,5 86,5 82 84,3
didapatkan presisi tertinggi pada
9 83 84,5 85 84,1
percobaan pertama dari fold ke 7 yakni
10 89,5 89 87,5 88,6
dengan nilai akurasi sebesar 90%, (2)
Rata-
85,55 85,2 84,9 85,2 Tingkat rata-rata akurasi klasifikasi sistem
rata
yang didapatkan dari percobaan fold
Pada percobaan kedua, citra uji cross validation dengan nilai k=10 yakni
menggunakan citra baru yang tidak sebesar 85,21%, (3) Sistem yang telah
digunakan pada sistem. Jumlah citra yang dibuat dapat mengidentifikasi jenis genus
digunakan pada percobaan kedua ini tumbuhan dengan nilai akurasi sistem
sebanyak 40 citra yang mewakili 20 sebesar 90,8%.
kategori genus. Jadi, tiap-tiap genus
mempunyai dua citra yang akan diuji. DAFTAR PUSTAKA
Hasil percobaan kedua ini dapat dilihat Ghifary, Muhammad. 2015. Deep
pada Tabel 2. Convolutional Neural Network.
Diakses Maret 2, 2018.
Tabel 2. Hasil Percobaan dengan Citra Uji https://ghifar.wordpress.com/2015/07/
Baru 21/deep-convolutional-neural-
Percobaan Prediksi Prediksi Akurasi
networks-part-1/.
Benar Salah Gonzalez, Rafael C, and Richard E
1 36 4 90 % Woods. 2008. Digital Image
2 38 2 95 % Processing Third Edition. 3rd ed. New
3 35 5 87.5% Jersey: Pearson Prentice Hall.
Rerata 90,8 % Goodfellow et al. 2016. Deep Learning.
Diakses Maret 1, 2018.
Hasil pengujian 40 citra baru yang http://www.deeplearningbook.org/.
dilakukan sebanyak tiga kali percobaan
Kadir, Abdul, and Adhi Susanto. 2013. Prijono, Benny. 2018. Convolutional
Teori Dan Aplikasi Pengolahan Citra Neural Networks (CNN) Introduction.
Digital. Yogyakarta: Andi. 7 Maret. Diakses Maret 29, 2018.
Krizhevsky, Alex, Ilya Sutskever, and https://indoml.com/2018/03/07/studen
Hinton Geoffrey E. 2012. “ImageNet t-notes-convolutional-neural-
Classification with Deep networks-cnn-introduction/.
Convolutional Neural Networks.” Putra, Jan Wira Gotama. 2018.
Advances in Neural Information Pengenalan Konsep Pembelajaran
Processing Systems 25 (NIPS2012), Mesin Dan Deep Learning. 1.0.
1–9. Tokyo: Tokyo Institute of Technology.
https://doi.org/10.1109/5.726791. Srivastava, Nitish, Geoffrey Hinton, Alex
Kumar, N., Belhumeur, P. N., Biswas, A., Krizhevsky, Ilya Sutskever, and
Jacobs, D. W., Kress, W. J., Lopez, I., Ruslan Salakhutdinov. 2014.
& Soares, V. B. (2012). Leafsnap : A “Dropout: A Simple Way to Prevent
Computer Vision System for Neural Networks from Overfitting.”
Automatic Plant Species Journal of Machine Learning
Identification, 1–14. Research 15: 1929–58.
Kusumanto, R D, Alan Novi Tompunu, https://doi.org/10.1214/12-AOS1000.
Setyo Pambudi, Jurusan Teknik Wei, Donglai, Bolei Zhou, Antonio
Komputer, and Politeknik Negeri Torrabla, and William Freeman. n.d.
Sriwijaya. 2011. “Klasifikasi Warna “Understanding Intra-Class
Menggunakan Pengolahan Model Knowledge Inside CNN” 6 (2): 6–12.
Warna HSV” 2 (2): 83–87. http://vision03.csail.mit.edu/cnn_art/.
Lecun, Yann, Yoshua Bengio, and Zeiler, Matthew D, and Rob Fergus. 2014.
Geoffrey Hinton. 2015. “Deep “Visualizing and Understanding
Learning” 521. Convolutional Networks” 1: 818–33.
https://doi.org/10.1038/nature14539. http://vision03.csail.mit.edu/cnn_art/.
Prasetyo, Eko. 2011. Pengolahan Citra
Digital dan Aplikasinya Menggunakan
Matlab. Yogyakarta: Andi.