Noer Aditama1, Imron Rosyadi, S.T., M.Sc 2, Rifah Ediati, STP., MP.3
Jurusan/Program Studi Teknik Elektro, Fakultas Teknik, Universitas Jenderal Soedirman
Jl. Mayor Jenderal Soengkono KM 5 Blater Purbalingga 53371
E-mail: nadit7tama@gmail.com
Mahasiswa Pemakalah1, Dosen Pembimbing I2, Dosen Pembimbing II3
Abstrak — Beras merupakan makanan pokok bagi masyarakat di Indonesia. Oleh karena itu beras yang beredar di
pasaran harus memiliki standar dan kualitas yang baik. Namun harga beras semakin melonjak menyebabkan banyak
beras yang kualitas yang kurang baik beredar di pasaran, sehingga dibutuhkan standar kualitas beras yang dapat
digunakan langsung oleh konsumen beras. Standar pengujian kualitas beras dapat dilakukan secara laboratorium dan
visual. Namun pengujian tersebut hanya dapat dilakukan oleh orang berpengalaman dan alat yang mumpuni. Dalam
hal ini penulis membuat penelitian tentang klasifikasi kualitas beras menggunakan deep learning berbasis android agar
mudah digunakan menggunakan smartphone. Dalam deep leraning terdapat Convolutional Neural Network (CNN)
yang memiliki berbagai macam arsitektur yang dapat digunakan untuk melakukan klasifikasi kualitas beras
berdasarkan citranya. Jenis arsitektur CNN yang digunakan pada klasifikasi kualitas beras adalah VGG16Net dan
MobileNet. Kedua arsitektur tersebut digunakan untuk melakukan pelatihan dan pengujian pada infrastruktur Google
Colaboratory. Dari hasil pelatihan tersebut kemudian disimpan dalam file TensorFow Lite dan diimpor ke dalam
project pada Android Studio agar dapat diimplementasikan pada aplikasi android. Cara penggunaannya hanya dengan
memasukkan obyek yang akan di identifikasi ke dalam aplikasi melalui media pengambilan gambar secara langsung
menggunakan kamera atau import gallery.
Kata Kunci : Klasifikasi kualitas beras, deep learning, CNN, Google Colaboratory, android
Abstract — Rice is the staple food for most people in Indonesia. Therefore, rice on the market must have a standard
and good quality. However, rice prices increase causing a lot of rice with poor quality on the market, so it needs rice
quality standards that can be used directly by consumers of rice. Standard testing the quality of rice can be carried out
laboratory and visually. However, this test can only be done by experienced people and qualified equipment. In this
case the authors make research on the identification of plant diseases using Android-based deep learning so that it is
easy to use using smartphones. In the deep learning there is the Convolutional Neural Network has a variety op
architectures that can be used to classification rice quakit based on their image. CNN archchitectures types used in the
classification of rice quality are VGG16Net and MobileNet. Both architectures are used for training and testing on the
Google Colaboratory infrastructures. Then the training data is stored and convered inti a TensorFlow Lite file and
imported a project in Android studio so that it cab be implemented in an Android application. How to use it only by
entering the object that will be identified into the application Plant Diseases through media shooting directly using a
camera or import gallery.
3
2.3.4. Pooling Layer
Pooling layer menerima input dari activation
layer kemudian mengurangi jumlah parameternya.
Pooling juga biasa disebut sub sampling atau down
sampling yang mengurangi dimensi dari feature map
tanpa menghilangkan informasi penting di dalamnya.
Proses dalam pooling layer cukup sederhana.
pertama-tama kita menentukan ukuran down
sampling yang akan digunakan pada feature map,
misalnya 2×2. Setelah itu kita akan melakukan proses
pooling pada feature map seperti pada gambar 5.
4
makalah “Jaringan convolusional Sangat Dalam lain Google seakan meminjami kita komputer secara
untuk Pengenalan Gambar Skala Besar” [4]. gratis! untuk membuat program oleh Google [6].
2.6. Python
Python adalah bahasa pemrograman
interpretatif multiguna yang memakai filosofi
perancangan dengan fokus kepada tingkat
keterbacaan kode. Sebagai bahasa pemrograman,
Python menggabungkan kemampuan, kapabilitas dan
sintaksis kode serta fungsi pustaka yang berkualitas
tinggi [7]. Banyak sekali fitur yang dimiliki Python
sehingga menarik digunakan.
2.7. Framework Keras
Pada analisis ini, saya hanya akan
menggunakan framework Keras dengan bantuan R
interface dari RStudio. Keras adalah high-level neural
network API yang dikembangkan dengan Python
Gambar 7 Arsitektur VGG-16Net dengan fokus tujuan untuk mempercepat proses riset
atau percobaan [8].
2.4.2. Arsitektur MobileNet 2.8. Tensor Flow Lite
MobileNet, merupakan salah satu arsitektur TensorFlow Lite adalah solusi mudah untuk
CNN yang dapat digunakan untuk mengatasi perangkat seluler dan embedded devices. Ini
kebutuhan akan computing resource berlebih [5]. memungkinkan untuk menjalankan model yang
Tabel Error! No text of specified style in document.1 dipelajari mesin pada perangkat seluler dengan
Arsitektur MobileNet
latensi rendah, sehingga dapat memanfaatkannya
untuk melakukan klasifikasi, regresi, atau apa pun
yang mungkin Anda inginkan tanpa harus melakukan
perjalanan bolak-balik ke server [9].
5
IntelliJ yang handal, Android Studio menawarkan 3. METODE [ENELITIAN
banyak fitur yang meningkatkan produktivitas dalam 3.1. Waktu dan Tempat Penelitian
membuat aplikasi Android Penelitian ini dilaksanakan dalam waktu 4
2.10. Beras bulan dimulai dai bulan Maret 2020 hingga bulan
Beras adalah salah satu komoditas penting Juni 2020 dan bertempat di Kampus Fakultas Teknik
bagi masyarakat Indonesia. hal ini mengingat hampir Universitas Jenderal Soedirman.
seluruh masyarakat Indonesia mengonsumsi beras 3.2. Alat dan Bahan
sebagai makanan pokoknya. Itu sebabnya Indonesia Alat dan bahan penunjang penelitian sebagai
merupakan konsumen pangan dengan bahan pangan berikut:
beras terbesar. Selain itu, beras sangat berpengaruh 1. Satu unit notebook Acer E5-475G-38LQ
bagi perekonomian Indonesia karena lebih dari 60% dengan processor intel core i3, kapasitas RAM
penduduk Indonesia berprofesi sebagai petani
4GB, dan sistem operasi windows 10 64-bit.
penghasil beras. Dengan demikian beras tidak hanya
kebutuhan untuk dikonsumsi tatapi juga merupakan 2. Komputer virtual Google Collaboratory
sumber pendapatan dan penyerapan tenaga kerja [11]. dengan spesifikasi GPU: 1x Tesla K80,
2.10.1. Beras IR64 komputasi 3.7, mempunyai inti CUDA 2496,
Beras IR 64 merupakan salah satu jenis beras 12GB GDDR5 VRAM, CPU: 1x single core
pada sawah yang memiliki bentuk tegak, tinggi hyper threaded Xeon Processors@2.3 Ghz,
sekitar 115-126 cm. Gabahnya berbentuk ramping RAM:~12.6GB, Disk:~33GB.
dan panjang dan berwarna kuning bersih. Padi jenis
3. Satu unit smartphone Samsung A20 SM-
ini cocok ditanam di daerah lahan sawah irigasi
daratan rendah sampai sedang [12]. A205F/DS dengan spesifikasi processor
2.11. Kualitas/Mutu Beras SNI Exynos 7884 octa core 2x1.6 Ghz & 6x1.35
Dalam Standar Nasional Indonesia (SNI) Ghz , RAM 3GB, dan storage 32 GB.
6128:2015 didefinisikan beras sebagai hasil utama 4. Sistem operasi Windows 10 64 bit
yang diperoleh dari proses penggilingan gabah hasil 5. Peramban Internet Google Chrome versi
tanaman padi (Oriza Sativa L.) yang seluruh lapisan 81.0.4044.129 64 bit.
sekamnya terkelupas dan seluruh atau sebagian
6. Google Colaboratory (Jupiter Notebook versi
lembaga dan lapisan bekatulnya telah dipisahkan baik
berupa butir beras utuh, beras kepala, beras patah, clound).
maupun menir. SNI 6128:2015 menggolongkan beras 7. Android Studio.
ke dalam 4 kelas mutu yakni premium, medium 1, 8. Sistem operasi Android Pie 9
medium 2, dan medium 3. Adapun persyaratan mutu 9. Layanan repository weeb development pada
yang terdapat dalam SNI, terbagi menjadi 2 yakni Platform Github.
persyaratan umum dan persyaratan khusus[1]. 10. Data set pelatihan dan pengujian yang berupa
Tabel Error! No text of specified style in document.2
Spesifikasi Persyaratan Mutu Beras SNI gambar jenis dan kualitas berasIR64 “.jpg”
yang diambil menggunakan kamera
smartphone.
.
3.3. Alur dan Tahap Penelitian
Tahap ini merupakan tahap awal sebelum
melakukan penelitian yang meliputi pembuatan
proposal, membuat perumusan masalah, identifikasi
masalah, memahami permasalahan melalui berbagai
macam sumber referensi (jurnal, buku, artikel, dan
lain – lain), serta menentukan objek serta lokasi
penelitian.
3.3.1. Tahap Persiapan
Tahap ini merupakan tahap awal sebelum
melakukan penelitian yang meliputi pembuatan
proposal, membuat perumusan masalah, identifikasi
6
masalah, memahami permasalahan melalui berbagai
macam sumber referensi (jurnal, buku, artikel, dan
lain–lain), serta menentukan objek serta lokasi
penelitian.
3.3.2. Tahap Penelitian
Tahap ini merupakan tahap pre-prose dat set,
tahap desain arsitektur dan tahap pengujian. Desain
arsitektur dari sistem yang akan dibuat disajikan pada
gambar 9 berikut.
7
Tabel 3 Jadwal Penelitian
DAFTAR PUSTAKA
[1] Standar Nasional Indonesia. 2015. Standar Mutu
Beras. (SNI 6128-2015), Jakarta.
[2] Appkey. 2019. “Deep Learning adalah? (Bagian
Pengantar”. [Daring]. Tersedia pada:
https://markey.id/blog/technology/ai/deep-learning-
adalah. [Diakses : 10-Mar-2020].
[3] Arfienda, Prahariezka. 2019. “Materi Pendamping
Memahami Convolutional Neural Network Dengan
TensorFlow”. [Daring]. Tersedia pada:
https://algorit.ma/blog/convolutional-neural-
networks-tensorfflow/. [Diakses : 10-Mar-2020].
[4] Tandungan, Sofyan. 2019. “Pengenalan
Convolutional neural Network-Part 1”. [Daring].
Tersedia pada: https://neurohive.io/en/popular-
networks/vgg16/. [Diakses : 10-mar-2020].
[5] Ekoputris, Rizqi Okta. 2018.” MobileNet: Deteksi
Objek pada Platform Mobile”. [Daring]. Tersedia
pada: https://medium.com/nodeflux/mobilenet-
deteksi-objek-pada-platform-mobile-bbbf3806e4b3.
[Diakses : 11-Mar-2020]
[6] Adam, Ryan. 2019, “Mengenal Google Colab”.
[Daring]. Tersedia pada :
https://structilmy.com/2019/05/mengenal-google-
colab/. [Diakses : 12-Mar-2020].
[7] Dewaweb. 2019. “Keunggulan Memahami Bahasa
Pemrograman Python”. [Daring]. Tersedia pada:
https://www.dewaweb.com/blog/keunggulan-
memahami-bahasa-pemrograman-python/. [Diakses
pada: 12-Mar2020.
[8] Tjioe, Enlik. 2019. “ Klasifikasi Gambar
menggunakan Keras”. [Daring]. Tersedia pada:
https://rpubs.com/enlik/keras. [Diakses : 12-Mar-
2020].
[9] Moroney, Laurence. 2018. “Using TensorFlow Lite on
Android”. [Daring] tersedia pada :
https://medium.com/tensorflow/using-tensorflow-
lite-on-android-9bbc9cb7d69d. [Diakses : 12-Mar-
2020].
[10] Google. “Mengenal Android Studio”. [Daring]
tersedia Pada :
https://developer.android.com/studio/intro/?hl=id.
[Diakses : 12-Mar-2020].
8