DEDDY F. SIHOMBING
161402010
BAB 1
PENDAHULUAN
Pada tahapan mengidentifikasi jenis buah apel secara manual oleh mata manusia
memiliki persepsi yang cenderung subyektif dikarenakan faktor komposisi warna. Maka
dari itu, dibutuhkan suatu alat dengan sebuah sistem yang dapat melakukan pemilihan
buah apel berdasarkan jenisnya secara otomatis.
Apel merupakan salah satu jenis komoditas buah yang sangat mudah dan sering
dijumpai di Indonesia. Dalam mengidentifikasi dan mengklasifikasi jenis buah apel
secara manual memiliki persepsi yang cenderung subyektif dikarenakan faktor
komposisi warna. Maka dari itu, dibutuhkan suatu sistem pada alat dalam
menentukan jenis buah apel secara ekonomis dan cepat (real-time) menggunakan
SSD-Mobilnet berdasarkan warna dan bentuk.
1.3 Tujuan Penelitian
Tujuan pada penelitian ini berguna untuk klasifikasi jenis buah apel secara real-time
menggunakan SSD-MobileNet.
1. Studi Literatur
Pada tahap studi literatur ini dilakukan dengan mengumpulkan data citra dari buah
apel dan mempelajari referensi tentang SSD-MobileNet, ciri-ciri dari tiap jenis apel
yang diperoleh dengan mengumpulkan bahan dari jurnal, skripsi, artikel, buku,
panduan dan sumber referensi lainnya untuk proses pengumpulan bahan.
2. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap tahapan yang ada dilakukan sebelumnya
untuk mendapatkan penelitian dari berbagai informasi yang terkait dari penelitian
beberapa sumber yang didapatkan.
3. Perancangan
Pada tahap ini dilakukan perancangan arsitektur umum sebagai berikut :
-------- : Training
: Testing
Tahap ini dilakukan pengumpulan citra buah apel. Pada penelitian ini, data citra dari
jenis apel digunakan sebagai data input citra. Input yang berupa citra ini kemudian
digabungkan dan terbagi menjadi dua jenis menggunakan fungsi split dengan
perbandingan 80:20 menjadi data training dan data testing.
3.2. Pre-processing
Tahap ini merupakan tahapan penting yang harus dilakukan untuk lanjut pada tahapan
selanjutnya, ini dilakukan agar data citra yang telah dikumpulkan menjadi selaras
ukuran pikselnya dan tidak membebani pada proses komputasi nantinya.
3.6. Training
Ini merupakan tahapan inti dari proses pre-processing, semua tahapan yang dilakukan
sebelumnya seperti resizing, data annotation, generate csv, generate tfrecord danyang
terakhir config pre-trained model menentukan pengaturan yang akan dilatih. Jumlah
dataset yang akan dilatih berjumlah 2200 data, dengan 1900 sebagai data training dan
300 sebagai data evaluasi yang berguna untuk mengevaluasi data training untuk pengenalan
dan ground truth box objek sebelum menghasilkan sebuah modelnya. Pada proses training
jumlah cara yang dibuat berjumlah 200,000 cara, yang memakan waktu kurang lebih 24 jam.
Pada saat melakukan training juga terdapat sebuah checkpoint yang berguna jika proses
training terhenti ditengah jalan maka tidak harus mengulangi training dari awal lagi.
3.7. Learned Model
Tahapan ini merupakan hasil dari proses training yang sudah selesai, format yang
tergenerate nantinya berupa saved_model.pb. Library Tensorflow lah yang bertugas
mengeksport model yang telah diproses tersebut kedalam format saved_model.pb.
Karena penulis menggunakan tensorflow v2, maka format yang tergenerate adalah
saved_model.pb, jika pada penggunaan tensorflow v1 format yang ter-generate adalah
frozen_graph.pb. Learned model inilah nantinya yang berguna sebagai pendeteksian
objek yang akan dikenali.
Buah Apel atau dalam ilmu botani disebut Malus sylvestris Mill. merupakan buah
yang dihasilkan oleh tanaman apel dan berasal daerah Asia Barat dan cocok ditanam
pada iklim subtropis. Di Indonesia, apel telah ditanam sejak tahun 1934 hingga saat ini
(Suhardjo, H. L., Deaton B. J., & Driskel, 1985). Buah apel biasanya berkulit merah,
hijau atau kuning, sesuai jenis apelnya. Memiliki kulit buah yang lembek dan daging
buah yang keras. Jenis-jenis apel yang sering dijumpai dipasaran antara lain jenis Red
Delicious, Gala, Granny Smith, Manalagi, Fuji dan masih banyak lagi. Adapun
beberapa manfaat dari buah apel antara lain mencegah kanker, menurunkan kolesterol,
meningkatkan sistem kekebalan tubuh, mengobati asma, mengeluarkan racun, dan
masih banyak lagi (Padia Games, 2017).
1) Apel Manalagi
Apel manalagi memiliki ukuran yang kecil. Sebagai perbandingan, ukuran apel
manalagi lebih kecil daripada apel rome beauty dan apel anna. Bentuk dari apel ini
bulat simetris dengan pucuk buah yang berlekuk dangkal. Memiliki diameter buah
sekitar 5-7 sentimeter dan berat 75-100 gram per buah. Jenis apel ini juga memiliki
daging buah yang berwarna putih halus dan rasa yang manis. Keunikan dari jenis apel
ini yaitu memiliki harum yang semerbak dan khas walaupun belum matang yang
membuat jenis buah apel ini merajai pasaran buah apel lokal. Dari sekian kelebihan
yang dimiliki, jenis apel ini pun memiliki kekurangan yakni memiliki waktu simpan
yang pendek dan sangat mudah sekali busuk walaupun kulit buat yang hanya tergores.
7.3.1. Resizing
Pada tahap ini dilakukan suatu teknik pengolahan yang bertujuan untuk mengubah
ukuran suatu citra.
7.4. Tensorflow
Tensorflow adalah platform end-to-end yang bersifat open-source digunakan untuk
aplikasi machine learning. Ini adalah library simbol matematika yang menggunakan
aliran data dan pemrograman yang berbeda untuk melakukan berbagai tugas yang
berfokus pada training dan inference deep neural network. Saat ini library deep
learning yang paling terkenal adalah Tensorflow Google. Produk Google
menggunakan machine learning untuk meningkatkan mesin pencarian, terjemahan,
pemberian keterangan gambar atau rekomendasi.
7.6. MobileNet
Seperti namanya, Mobile. Para peneliti dari Google membuat arsitektur CNN yang
mampu digunakan untuk ponsel. MobileNet merupakan salah satu arsitektur CNN
(convolutional neural network) yang digunakan untuk memenuhi kebutuhan resource
berlebih. Perbedaan arsitektur MobileNet dan CNN adalah penggunaan layer konvulasi
atau penggunaan lapisan dengan ketebalan filter yang sesuai dengan ketebalan dari
input image. MobileNet membagi konvulasi menjadi depthwise convulation dan
pointwise convulation. Model dari MobileNet didasarkan pada depthwise separable
convolution yang merupakan bentuk dari standart convolution menjadi depthwise
convolution dan 1x1 convolution atau disebut juga pointwise convolution. Depthwise
convolution menerapkan single filter untuk setiap masukan pada channel, pada
pointwise convolution menerapkan 1x1 convolution untuk menggabungkan output dari
depthwise convolution dan pada standart convolution menggabungkan dan memfilter
input menjadi satu set output baru dalam satu langkah. Depthwise separable
convolution membagi ini menjadi 2 layer, yaitu lapisan pemfilteran dan lapisan
penggabungan yang digunakan untuk mengurangi komputasi dan ukuran model secara
drastis (Howard et al, 2017).
7.8. SSD-MobileNet
SSD-MobileNet merupakan pengembangan dari Single Shot MultiBox Detector (SSD).
SSD menggunakan VGG16 sedangkan SSD-MobileNet menggunakan MobileNet
sebagai feature extraction. Proses MobileNet unggul dalam hal kecepatan karena
menggunakan depthwise separable convolution (DSC). DSC menggunakan depthwise
convolution sebagai filtering dan pointwise convolution yang digabungkan dari hasil
depthwise untuk menghasilkan beban komputasi yang kecil. Ukuran MobileNet 30 kali
lebih kecil dibandingkan VGG16 dan juga memiliki kecepatan 10 kali lebih cepat
dengan hasil akurasi yang sama. Perbedaan lainnya SSD-MobileNet menggunakan
ground truth box untuk proses training sama seperti SSD namun berbeda feature
extraction.
7.9. Output
Hasil akhir dari keseluruhan tahap adalah menyatakan jenis-jenis apel dari tiap citra
input.
1.8 Penelitian Terdahulu
Arabi, S., Haghighat, A., & Sharma, A. (2019). A deep learning based solution for
construction equipment detection: from development to deployment. arXiv
preprint arXiv:1904.09021.
Biswas, D., Su, H., Wang, C., Stevanovic, A., & Wang, W. (2019). An automatic
traffic density estimation using Single Shot Detection (SSD) and MobileNet-SSD.
Physics and Chemistry of the Earth, 110, 176–184.
Kanimozhi, S., Gayathri, G., & Mala, T. (2019). Multiple real-time object
identification using single shot multi-box detection. ICCIDS 2019 - 2nd
International Conference on Computational Intelligence in Data Science,
Proceedings, 1–5.
Wijaya, N., & Ridwan, A. (2019). Klasifikasi Jenis Buah Apel Dengan Metode K-
Nearest Neighbors Dengan Ekstraksi Fitur HSV dan LBP. Jurnal Sisfokom
(Sistem Informasi dan Komputer), 8(1), 74-78.
Zeng, G. (2017, October). Fruit and vegetables classification system using image
saliency and convolutional neural network. In 2017 IEEE 3rd Information
Technology and Mechatronics Engineering Conference (ITOEC) (pp. 613-617).
IEEE.