Bab I

Proyek Aplikasi Web Fish Disease Classification

I.1 Tentang Proyek

Aktivitas studi independent di Orbit Future Academy adalah aktivitas yang dibagi menjadi dua bagian utama yaitu sesi pembelajaran materi dengan

mentor dan sesi pengerjaan proyek dengan kelompok dan dengan bimbingan dari mentor. Proses pembelajaran materi dengan mentor berjalan dalam waktu kurang

lebih 4 bulan, sedangkan proses pengerjaan proyek berjalan selama kurang lebih 1 bulan. Diberikan waktu lebih banyak pada pembelajaran materi dengan mentor

karena, pada dasarnya peserta yang mengikuti program berasal dari berbagai jurusan (Non-IT dan IT) sehingga pembelajaran dimulai dari dasar. Pembelajaran materi

dari mentor ini umumnya di bagi menjadi dua bagian yaitu, hard skill dan soft skill. Hard skill yang dimaksudkan penulis adalah pembelajaran materi mengenai

Artificial Intelligence secara langsung yang terbagi dalam tiga domain yaitu Data Science, Natural Language Processing (NLP), dan Computer Vision. Kemudian

dilanjutkan dengan pengerjaan proyek dengan kelompok menggunakan ilmu atau pengetahuan yang telah didapatkan saat pembelajaran materi dengan mentor. Proyek

secara berkelompok ini dibuat berdasarkan dengan masalah yang ditemukan dan penyelesaian masalah melalui inovasi menggunakan domain yang ada di Artificial

Intelligence.

Adapun judul proyek berbasis aplikasi web yang dikerjakan oleh penulis dan kelompok yaitu “Fish Disease Classification”. Proyek ini adalah proyek

Artificial Intelligence atau kecerdasan buatan dengan domain Computer Vision. Computer vision adalah transformasi atau perubahan dari data-data yang dapat berupa

gambar diam ataupun video kamera menjadi bentuk lain atau satu representasi baru [3]. Atau dapat dikatakan Computer Vision adalah domain Artificial Intelligence

yang merubah data gambar menjadi representasi baru.

Bagian dari Computer Vision yang penulis dan kelompok gunakan adalah Image Classification. Menurut H.Ren dalam penelitian Ridwan, image

classification merupakan suatu proses pengelompokan seluruh pixel pada suatu citra (gambar) kedalam dalam kelompok sehingga dapat diinterpretasikan sebagai suatu

property yang spesifik [4]. Proses klasifikasi ini digunakan dalam data gambar yang diambil penulis dan kelompok dimana satu gambar memuat satu jenis kelas data.

Terkait dengan topik proyek yang diambil penulis dan kelompok, alasannya akan dijelaskan pada lampiran teknik, bagian Problem Scoping. Penulis dan

kelompok menggunakan empat jenis penyakit ikan untuk diklasifikasikan ditambah dengan data ikan yang termasuk ikan sehat.

Gambar 3.1 Beberapa ikan dengan masing-masing kelasnya

Penulis dan kelompok mengikuti flow chart berikut dalam mengerjakan proyek.
 Gambar 3.2 Flowchart penyusunan proyek

Adapun proses pengumpulan data, penulis dan kelompok menggunakan teknik web scraping, kemudian data dibagi menjadi dua kelompok yaitu, training

dan validation dengan perbandingan secara berturut-turut 80% dan 20%. Setelah itu, dilakukan preprocessing data menggunakan library dari

tensorflow.keras.preprocessing.image yaitu ImageDataGenerator. Kemudian dilakukan perbandingan beberapa model untuk mencari akurasi terbaik dan melakukan

save model untuk model terbaik dan men-deploy-nya ke web aplikasi. Akurasi dengan nilai sama dengan atau labih dari 70% yang akan disimpan untuk kemudian di-

deploy. Proses pengolahan data, mulai dari pembagian data ke tiga kelompok hingga proses deploy menggunakan Bahasa pemrograman Python dengan bantuan

software Jupyter Notebook, Google Collab, dan Spyder(anaconda3). Lebih lanjut terkait pengumpulan data hingga deploy akan dijelaskan pada lampiran teknik

Fish disease classification dalam aplikasi web ini berguna untuk mengklasifikasikan jenis penyakit ikan yang dimaksud, sehingga dapat menjadi inovasi

bagi beberapa pihak di sector perikanan seperti pembudidaya ikan atau yang lainnya untuk dapat melakukan tindakan yang tepat sesuai dengan penyakit ikan yang

dideteksi dari web aplikasi ini.

I.2 Lingkup Pekerjaan

Dalam mengerjakan project dengan dataset dari Kaggle.com ditambah dengan data dari Google Image didapatkan jumlah dataset mencapai 499 data.

Penulis melakukan preprocessing dataset tersebut menggunakan library dari Keras.

Gambar 3.3 Preprocessing Data

Preprocessing ini berguna untuk mengubah bentuk gambar agar model yang digunakan tidak hanya memiliki pengetahuan pada satu bentuk gambar saja, melainkan

pada berbagai bentuk gambar. Dengan demikian, pengetahuan dari model bertambah banyak.

Kemudian penulis melakukan pelatihan dataset menggunakan model CNN (Convolutional Neural Network) dan beberapa model pretrain. Pelatihan model

ini dilakukan dengan bantuan Google Collaboration, karena mempunyai GPU free sehingga, proses pelatihan dapat lebih cepat berjalan. Dilakukan evaluasi setelah

melatih data dengan beberapa model tadi dan dipilih satu model dengan akurasi terbaik. Adapun model dengan akurasi tertinggi yang mencapai akurasi 70% adalah

model MobileNet. Model ini kemudian di-deploy ke web aplikasi. Proses deploy model ke web aplikasi menggunakan tool dan fitur dari Flask sehingga dapat dilihat

interface dari aplikasi yang dijalankan di local computer.

I.3 Pencapaian Hasil dari Project MSIB

Setelah menyelesaikan proses pembelajaran AI (Artificial Intelligence) di Orbit Future Academy, penulis menjadi memahami dan memiliki pengetahuan serta

kemampuan tentang bagaimana cara membangun suatu Kecerdasan Buatan dengan bahasa pemrograman Python. Selain itu, penulis juga mendapatkan pengetahuan

mengenai soft skill yang dibutuhkan dalam industry/perusahaan ketika bekerja.

Referensi

[1] Nasri, “Kecerdasan buatan ( Artificial Intelligence ),” Artif. Intell., vol. 1, no. 2, pp. 1–10, 2014.

[2] I. Handayani, “Indonesia Kekurangan Tenaga Ahli Artificial Intelligence,” www.beritasatu.com, 2020.

https://www.beritasatu.com/digital/693084/indonesia-kekurangan-tenaga-ahli-artificial-intelligence.

[3] R. Pradhitya, “Pembangunan Aplikasi Deteksi dan Tracking Warna Virtual Drawing Menggunakan Algoritma Color Filtering Jurnal Ilmiah Komputer dan

Informatika ( KOMPUTA ),” J. Ilm. Komput. dan Inform., 2015.

[4] M. R. Effendi, “Sistem Deteksi Wajah Jenis Kucing Dengan Image Classification Menggunakan Opencv,” J. Teknol. Inform. dan Komput., vol. 4, no. 1,

pp. 27–35, 2018, doi: 10.37012/jtik.v4i1.283.