2017-Article Text-7775-1-10-20200513
2017-Article Text-7775-1-10-20200513
http://jurnal.polibatam.ac.id/index.php/JAIC
46 e-ISSN: 2548-6861
semua neuron terhubung satu sama lain dan output diproses. A. Pengumpulan Data
Konsep ini pertama kali disajikan oleh Yann le cun [1] untuk
Penelitian ini membutuhkan data untuk proses
klasifikasi digit di mana ia menggunakan lapisan konvolusi
pengklasifikasian citra. Data yang dibutuhkan adalah citra
tunggal. Hal itu kemudian dipopulerkan oleh Alexnet pada
atau objek tanaman yaitu bunga mawar, tulip dan matahari.
tahun 2012 yang menggunakan beberapa lapisan konvolusi
Pengumpulan citra didapatkan dari pencarian acak di
pada imagenet sehingga menjadikan CNN suatu algoritma
internet, melalui google image dan kaggle.com.
pilihan untuk tantangan klasifikasi gambar selanjutnya.
Penelitian sebelumnya yang dilakukan oleh [2] B. Pengolahan Data Awal (Preprocessing)
menyimpulkan bahwa kursi, kereta dan lemari pakaian
Agar diperoleh hasil akurasi yang maksimal maka perlu
diprediksi sempurna dengan 147 layer, sedangkan objek
dilakukan pengolahan data awal (preprocessing) [7][8]. Pada
seperti mobil diprediksi sempurna dengan 177 layer. Selain
itu juga disimpulkan bahwa semakin banyak jumlah layer penelitian ini ada dua proses yang dilakukan dalam
dan semakin banyak pelatihan mengakibatkan semakin pengolahan data awal, yaitu :
tinggi tingkat akurasi dalam prediksi. 1. Croping
Penelitian yang dilakukan oleh [3] pada basis data Croping digunakan untuk membuat gambar menjadi
caltech 101 mendapatkan hasil bahwa klasifikasi citra objek lebih fokus serta seragam. Croping adalah penghilangan
dengan tingkat confusion yang berbeda menghasilkan nilai area terluar yang tidak diinginkan dari gambar. Proses
akurasi sebesar 20% - 50 %, sehingga disimpulkan bahwa ini biasanya terdiri dari penghapusan beberapa area
metode CNN relatif handal terhadap perubahan parameter periferal gambar untuk menghilangkan sampah asing
yang dilakukan.
dari gambar, untuk meningkatkan pembingkaiannya dan
Penelitian yang dilakukan oleh [4] menyimpulkan bahwa
akurasi model CNN lebih baik daripada akurasi model MLP untuk mengubah rasio aspek. Proses ini dilakukan
dalam pengenalan karakter Jawa tulisan tangan. Namun, menggunakan software pengolah gambar dan dilakukan
model CNN perlu waktu lebih lama untuk dilatih secara manual.
dibandingkan dengan model MLP. Selain itu keakuratan
2. Pembersihan Noise
model CNN untuk dataset karakter Jawa tulisan tangan tidak
Noise adalah produk sampingan pengambilan gambar
dapat mencapai 90%.
yang tidak diinginkan yang mengaburkan informasi
Penelitian yang dilakukan oleh [5] mendapatkan hasil
yang diinginkan. Pembersihan Noise dilakukan untuk
bahwa untuk setiap klasifikasi gambar biner, fungsi aktivasi
meningkatkan kualitas gambar sehingga nantinya akan
Relu dan kombinasi classifier Sigmoid memberikan akurasi
menghasilkan nilai akurasi yang tinggi. Proses
klasifikasi yang lebih baik (90,54%), daripada kombinasi
pembersihan noise ini juga dilakukan secara manual
fungsi aktivasi dan classifier lainnya. Sehingga disimpulkan
dengan menggunakan bantuan software pengolah
bahwa pada sistem CPU, fungsi aktivasi Relu dan Sigmoid
gambar.
classifier memberikan akurasi klasifikasi yang lebih baik
untuk klasifikasi gambar biner.
Contoh gambar yang telah dilakukan tahapan
Penelitian yang dilakukan oleh [6] mendapatkan hasil
preprocessing dapat dilihat di gambar 1.
bahwa keakuratan sistem untuk mengidentifikasi dan
mengenali citra jamur sangat dipengaruhi oleh parameter
jaringan internal, yaitu laju pembelajaran, jumlah neuron
layar tersembunyi, dan iterasi. Persentase akurasi tertinggi
mencapai 93% itu berarti hasilnya bagus, dan untuk
penelitian lebih lanjut dapat dicoba tanpa mengubah ke skala
abu abu terlebih dahulu.
Penelitian ini dilakukan untuk melakukan klasifikasi citra
dengan metode CNN dan K-fold Cross Validation. Beberapa
topik pada penelitian sebelumnya dapat digunakan sebagai
landasan alur pikir dalam perancangan dan pengembangan
serta dalam penerapannya menyesuaikan dengan kebutuhan
dan perkembangan teknologi terkini yang relevan.
Gambar 1. Gambar setelah dilakukan tahapan preprocessing
II. METODE PENELITIAN C. Convolutional Neural Network
Untuk mencapai tujuan yang diharapkan sesuai dengan CNN adalah jenis jaringan saraf tiruan yang digunakan
latar belakang, dilakukan beberapa tahapan yaitu antara lain, dalam pengenalan dan pemrosesan gambar. CNN meniru
(1) Tahap Pengumpulan Data, (2) Preprocessing, (3) cara sel-sel saraf kita berkomunikasi dengan neuron yang
Pemodelan Klasifikasi dengan CNN, (4) Uji validasi hasil, saling berhubungan dan CNN memiliki arsitektur yang
dan (5) Kesimpulan. sama. Apa yang membuatnya unik dari jaringan saraf lain
1) Convolutional Layer
Blok bangunan utama CNN adalah Convolution layer.
Convolution adalah operasi matematika untuk
menggabungkan dua set informasi. Convolution diterapkan
pada data input menggunakan filter convulation untuk
menghasilkan feature map.
Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation (Ari Peryanto)
48 e-ISSN: 2548-6861
Gambar 6. Flatening
pada bagian (b) jaringan syaraf sudah diaplikasikan teknik B. Performa Metode CNN
regularisasi dropout dimana ada beberapa neuron aktivasi
Metode klasifikasi CNN yang dilakukan dengan cara
yang tidak dipakai lagi. Teknik ini sangat mudah
membagi dataset menjadi data train dan data testing, dengan
diimplementasikan pada model CNN dan akan berdampak
persentase 80% data train dan 20 % data testing, seperti di
pada performa model dalam melatih serta mengurangi
tabel I.
overfitting.
Training yang dilakukan dengan dilakukan dengan data
gambar berukuran 32 x 32 dengan epochs sebanyak 30 dan
D. K Fold Cross Validation
jumlah kedalaman layar sebanyak 3 layar mendapatkan nilai
Mengevaluasi model Machine Learning bisa sangat sulit. akurasi 85%. Hal ini seperti yang ditunjukkan pada gambar
Biasanya, kita membagi set data menjadi set pelatihan dan 10.
pengujian. Kemudian menggunakan set pelatihan untuk
melatih model dan set pengujian untuk menguji model. Kita
kemudian mengevaluasi kinerja model berdasarkan matrik
kesalahan untuk menentukan keakuratan model. Namun
metode ini, tidak terlalu dapat diandalkan karena akurasi
yang diperoleh untuk satu set tes bisa sangat berbeda dengan
akurasi yang diperoleh untuk set tes yang berbeda. K-fold
Cross Validation (CV) memberikan solusi untuk masalah ini
dengan membagi data menjadi fold dan memastikan bahwa
setiap fold digunakan sebagai set pengujian di beberapa titik
CV.
K-Fold CV adalah kumpulan data yang diberikan dibagi
menjadi sejumlah K bagian / fold di mana setiap fold
digunakan sebagai set pengujian di beberapa
titik[10][18][19]. Mari kita ambil skenario validasi silang 5-
Gambar 10. Proses Training
fold (K = 5). Kumpulan data dibagi menjadi 5 fold. Pada
iterasi pertama, fold pertama digunakan untuk menguji Untuk mempermudah pengamatan nilai akurasi dan nilai
model dan sisanya digunakan untuk melatih model. Pada loss ditampilkan dalam bentuk grafik line seperti pada
iterasi kedua, fold kedua digunakan sebagai set pengujian gambar 11.
sementara sisanya berfungsi sebagai set pelatihan. Proses ini
diulangi sampai setiap fold dari 5 fold telah digunakan
sebagai set pengujian.
Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation (Ari Peryanto)
50 e-ISSN: 2548-6861
Untuk hasil testing yang dilakukan dengan menggunakan Hasil rata-rata akurasi tertinggi yaitu 76,49 %, didapat
model hasil training didapatkan nilai prediksi sebesar 50 %, pada iterasi ke-3. Sedangkan untuk rata-rata nilai akurasi
dengan prediksi benar sebanyak 210 dari total 420 data. terendah didapat pada iterasi ke-1 yaitu 69,64 %. Iterasi ke-
Seperti terlihat pada gambar 12.
3 pada training ke-2 mendapatkan nilai akurasi
tertinggi yaitu sebesar 80,36 %. Nilai akurasi sistem sebesar
72,02 didapatkan dari hasil rata-rata setiap iterasi.
Testing yang dilakukan setelah training disetiap iterasi
menghasilkan prediksi seperti terlihat pada tabel 4.
TABEL IVV
AKURASI HASIL PREDIKSI DENGAN METODE K-FOLD CROSS VALIDATION
sebesar 66,07 %. Sistem yang telah dibuat juga telah dapat [15] C. Y. Lee, P. W. Gallagher, and Z. Tu, “Generalizing pooling
functions in convolutional neural networks: Mixed, gated, and tree,”
memprediksi dengan rata-rata prediksi tertinggi yaitu 60,31
Proc. 19th Int. Conf. Artif. Intell. Stat. AISTATS 2016, pp. 464–472,
%, dan nilai prediksi tertinggi yaitu sebesar 65,47 %. Tahap 2016.
penelitian selanjutnya dapat dilakukan dengan melakukan [16] H. Abhirawan, Jondri, and A. Arifianto, “Pengenalan Wajah
perbandingan algoritma CNN dengan algoritma klasifikasi Menggunakan Convolutional Neural Networks (CNN),” Univ.
Telkom, vol. 4, no. 3, pp. 4907–4916, 2017.
lainya seperti Support Vector Machine (SVM). Algoritma
[17] A. Santoso and G. Ariyanto, “Implementasi Deep Learning Berbasis
dengan kinerja terbaik dapat dikembangkan lebih lanjut Keras Untuk Pengenalan Wajah,” Emit. J. Tek. Elektro, vol. 18, no.
sebagai sebuah sistem Android, sebagai alat prediksi. 01, pp. 15–21, 2018.
[18] C. Applications, “Mathematical and Computational Applications,”
vol. 16, no. 3, pp. 702–711, 2011.
UCAPAN TERIMAKASIH [19] B. Hu, Z. Lu, H. Li, and Q. Chen, “Convolutional neural network
Penulis mengucapkan terima kasih kepada pihak yang architectures for matching natural language sentences,” Adv. Neural
telah banyak memberikan bantuan dan dukungan yang tiada Inf. Process. Syst., vol. 3, no. January, pp. 2042–2050, 2014.
terhingga baik secara langsung maupun tidak langsung. [20] R. A. Surya, A. Fadlil, and A. Yudhana, “Ekstraksi Ciri Metode Gray
Level Co-Occurrence Matrix ( GLCM ) dan Filter Gabor untuk
Kepada Tuhan YME, Ibu, Istri, Kedua Putriku, Universitas
Klasifikasi Citra Batik Pekalongan,” J. Inform. Pengemb. IT (JPIT ,
Ahmad Dahlan dan teman-teman MTI angkatan 8. Vol. 02, No. 02, Juli 2017, vol. 02, no. 02, pp. 23–26, 2017.
[21] S. Gustina et al., “Identifikasi Tanaman Kamboja menggunakan
DAFTAR PUSTAKA Ekstraksi Ciri Citra Daun dan Jaringan Syaraf Tiruan,” vol. 2, no. 1,
pp. 128–132, 2016.
[1] L. D. J. Le Cun , B. Boser , J. S. Denker , D. Henderson , R. E. [22] S. Saifullah, S. -, and A. Yudhana, “Analisis Perbandingan
Howard , W. Hubbard, “LeNet-5: Handwritten Digit Recognition Pengolahan Citra Asli Dan Hasil Croping Untuk Identifikasi Telur,”
with a Back-Propagation Network,” Dermatologic Surg., vol. 39, no. J. Tek. Inform. dan Sist. Inf., vol. 2, no. 3, pp. 341–350, 2016.
1pt2, p. 149, 1998.
[2] N. Sharma, V. Jain, and A. Mishra, “An Analysis of Convolutional
Neural Networks for Image Classification,” Procedia Comput. Sci.,
vol. 132, no. Iccids, pp. 377–384, 2018.
[3] W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional
Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1,
2016.
[4] C. K. Dewa, A. L. Fadhilah, and A. Afiahayati, “Convolutional
Neural Networks for Handwritten Javanese Character Recognition,”
IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 12, no. 1, p. 83,
2018.
[5] K. Chauhan and S. Ram, “International Journal of Advance
Engineering and Research Image Classification with Deep Learning
and Comparison between Different Convolutional Neural Network
Structures using Tensorflow and Keras,” pp. 533–538, 2018.
Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation (Ari Peryanto)