Jurnal 4 - Penyakit Tanaman (F-RCNN)

DETEKSI HAMA DAN PENYAKIT PADA TANAMAN KENAF
BERDASARKAN DAUN MENGGUNAKAN METODE FASTER REGIONAL

BASED CONVOLUTIONAL NEURAL NETWORK
TESIS
Untuk memenuhi sebagian persyaratan

memperoleh gelar Magister Komputer
Disusun oleh:
Alfita Rakhmandasari
NIM: 166150100111017
PROGRAM STUDI MAGISTER ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER
UNIVERSITAS BRAWIJAYA
MALANG
2021
PENGESAHAN
DETEKSI HAMA DAN PENYAKIT PADA TANAMAN KENAF BERDASARKAN DAUN

MENGGUNAKAN METODE FASTER REGIONAL BASED CONVOLUTIONAL NEURAL NETWORK
TESIS
Diajukan untuk memenuhi sebagian persyaratan

memperoleh gelar Magister ilmu Komputer/Informatika
Disusun oleh :
Alfita Rakhmandasari
NIM : 166150100111017
Tesis ini,
Telah diperiksa dan disetujui oleh :
Dosen Pembimbing I Dosen Pembimbing II
Wayan Firdaus Mahmudy, S.Si., M.T., Ph.D. Ir. Titiek Yulianti, M.Agr.Sc., Ph.D.
NIP. 19720919 199702 1 001 NIP. 19610720 198503 2 002
Mengetahui
Ketua Jurusan Teknik Informatika
Achmad Basuki, S.T., M.MG., Ph.D.

NIP. 19741118 200312 1 002
2
PERNYATAAN ORISINALITAS TESIS
3
KATA PENGANTAR
Alhamdulillah, segala puji syukur penulis panjatkan kehadirat Allah SWT atas segala
karunia dan ridho-Nya, sehingga tesis dengan judul “Deteksi Hama dan Penyakit pada
Tanaman Kenaf Berdasarkan Citra Daun menggunakan Metode Faster Regional Based
Convolutional Neural Network” ini dapat diselesaikan.
Tesis ini disusun untuk memenuhi salah satu persyaratan memperoleh gelar Magister Ilmu
Komputer/Informatika (M.Kom) dalam bidang keahlian Sistem Cerdas pada program studi
Magister Ilmu Komputer Universitas Brawijaya.
Oleh karena itu, pada kesempatan ini penulis menyampaikan rasa hormat dan mengucapkan
terima kasih yang sebesar-besarnya kepada:
1. Bapak Wayan Firdaus Mahmudy, S.Si., M.T., Ph.D selaku Pembimbing I yang telah
memberikan pengarahan, kritik, dan saran selama penyusunan tesis ini.
2. Ibu Ir. Titiek Yulianti, M.Agr.Sc., Ph.D selaku Pembimbing II yang telah memberikan
pengarahan, kritik, dan saran selama penyusunan tesis ini.
3. Seluruh dosen dan staf administrasi Fakultas Ilmu Komputer Universitas Brawijaya
Malang yang telah membantu selama proses perkuliahan hingga kelancaran
penyelesaian tesis ini, baik secara langsung maupun tidak langsung.
Malang, 9 Juli 2021
Penulis
alfitarakhmandasari@gmail.com
4
ABSTRAK
Tanaman kenaf merupakan tanaman serat diambil kulit batangnya dan digunakan
sebagai bahan baku pembuatan geo-tekstil, pulp, fiber drain, papan partikel, papan serat, dan
kertas kualitas tinggi. Hal yang mempengaruhi menurunnya perkembangan adalah
produksinya yang rendah dikarenakan lahan yang tepat untuk perkembangan terbatas,
munculnya bahan plastik, harga sarana untuk produksi tinggi, harga serat relatif rendah, serta
gangguan dari hama dan penyakit. Di Indonesia, hama dan penyakit yang saat ini banyak
ditemukan adalah hawar daun, sundapteryx, dan tungau. Oleh karena itu perlu dilakukan
pendeteksian dini untuk serangan hama dan penyakit agar bisa dikendalikan dengan baik.
Sistem deteksi dini bisa dilakukan dengan menggunakan metode object detection. Pada
penelitian ini, Faster Regional Based Convolutional Neural Network (Faster RCNN) digunakan
untuk membantu pendeteksian hama dan penyakit pada tanaman kenaf. Model pengujian
terbaik mendapat akurasi deteksi sebesar 77.5% dan akurasi bounding box sebesar 96.74%.
5
ABSTRACT
Kenaf plant is a source of natural fiber taken from its bark and used as raw material for
the manufacture of geo-textile, pulp, fiber drain, particle board, fiber board, and highquality
paper. The low production of kenaf due to limited land suitable for development; the
emergence of plastic materials; high cost of the production input; relatively low fiber prices;
pests and diseases. Sundapteryx, mites and leaf blight are the most prominent Kenaf pests
and disease in Indonesia. To get proper control of these pests and disease, it is necessary to
early detect them. The early detection system coud be done using the object detection
method. In this study, Faster Regional Based Convolutional Neural Network (Faster RCNN) was
used to help detect pests and diseases in kenaf plant. The best test model had a detection
accuracy of 77.5% and a bounding box accuracy of 96.74%.
6
DAFTAR ISI
PENGESAHAN.............................................................................................................................. 2
PERNYATAAN ORISINALITAS TESIS ............................................................................................. 3
KATA PENGANTAR ...................................................................................................................... 4
ABSTRAK ..................................................................................................................................... 5
ABSTRACT ................................................................................................................................... 6
DAFTAR ISI .................................................................................................................................. 7
DAFTAR TABEL .......................................................................................................................... 10
DAFTAR GAMBAR ..................................................................................................................... 11
BAB 1 PENDAHULUAN .............................................................................................................. 13
1.1. LATAR BELAKANG....................................................................................................... 13
1.2. RUMUSAN MASALAH ................................................................................................. 15
1.3. TUJUAN ...................................................................................................................... 15
1.4. MANFAAT ................................................................................................................... 16
1.5. BATASAN MASALAH ................................................................................................... 16
1.6. SISTEMATIKA PENULISAN .......................................................................................... 17
BAB 2 LANDASAN KEPUSTAKAAN ............................................................................................. 18
2.1. TANAMAN KENAF ...................................................................................................... 18
2.2. PENELITIAN TERKAIT .................................................................................................. 22
2.2.1. Deteksi Penyakit Tanaman menggunakan Metode Nearest Neighbor

Classification ..................................................................................................................... 22
2.2.2. Deteksi Penyakit Tanaman menggunakan Metode Minimum Distance Classifier

dan k-Nearest Neighbor.................................................................................................... 23
2.2.3. Deteksi Penyakit Tanaman menggunakan Metode Bayes dan SVM Classifier .. 23
2.2.4. Deteksi Penyakit Tanaman menggunakan Metode SOM Neural Network ........ 23
7
2.2.5. Deteksi Penyakit Tanaman menggunakan Metode Convolutional Neural Network
24
2.3. METODE CONVOLUTIONAL NEURAL NETWORK (CNN) ............................................. 24
2.3.1. Arsitektur Convolutional Neural Network .......................................................... 25
2.4. METODE FASTER REGION BASED CONVOLUTIONAL NEURAL NETWORK (FASTER

RCNN).................................................................................................................................... 27
2.5. REGION PROPOSAL NETWORK (RPN)........................................................................ 31
2.6. REGION OF INTEREST (ROI) POOLING ........................................................................ 33
2.7. CONFUSION MATRIX .................................................................................................. 33
BAB 3 METODOLOGI PENELITIAN ............................................................................................. 35
3.1. METODE PENELITIAN ................................................................................................. 35
3.2. STUDI LITERATUR ....................................................................................................... 35
3.3. TEKNIK PENGUMPULAN DATA ................................................................................... 35
3.4. PENGOLAHAN DATA GAMBAR................................................................................... 36
3.5. SKENARIO PENGUJIAN ............................................................................................... 38
BAB 4 PERANCANGAN DAN IMPLEMENTASI ............................................................................ 39
3.1. Input Citra Daun Kenaf ............................................................................................... 39
3.2. Preprocessing ............................................................................................................. 40
3.3. Training ...................................................................................................................... 42
BAB 5 PENGUJIAN DAN ANALISA .............................................................................................. 48
5.1. Pengujian Pembagian Jumlah Data Training dan Testing.......................................... 48
5.1.1. Data untuk Train 80% dan Test 20%................................................................... 49
5.1.2. Data untuk Train dan Test Berjumlah Sama setiap Kelas ................................... 50
5.1.3. Data diambil menggunakan Kamera HP dan Pocket .......................................... 52
5.2. Perbandingan Nilai ..................................................................................................... 55
BAB 6 PENUTUP ........................................................................................................................ 58
6.1. KESIMPULAN .............................................................................................................. 58
8
6.2. SARAN ........................................................................................................................ 59
DAFTAR PUSTAKA ..................................................................................................................... 60
LAMPIRAN................................................................................................................................. 63
1. Evaluasi Visual Data 80%-20% Label Penuh .................................................................. 63
2. Evaluasi Visual Data 80%-20% Label Per Jari ................................................................. 67
3. Evaluasi Visual Data Seragam Label Penuh ................................................................... 71
4. Evaluasi Visual Data Seragam Label Per Jari .................................................................. 75
5. Evaluasi Visual Data 80%-20% Label Penuh dari Kamera Handphone .......................... 80
6. Evaluasi Visual Data 80%-20% Label Per Jari dari Kamera Handphone ........................ 84
7. Evaluasi Visual Data 80%-20% Label Penuh dari Kamera Pocket .................................. 88
8. Evaluasi Visual Data 80%-20% Label Per Jari dari Kamera Pocket ................................ 92
9
DAFTAR TABEL
Tabel 2.1. Penyakit tanaman kenaf .......................................................................................... 20
Tabel 2.2. Hama tanaman kenaf............................................................................................... 21
Tabel 5.1. Skenario Pengujian .................................................................................................. 48
Tabel 5.2. Hasil Evaluasi Visual Data 80%-20%......................................................................... 50
Tabel 5.3. Hasil Evaluasi Visual Data Seragam per Kelas .......................................................... 51
Tabel 5.4. Hasil Evaluasi Visual Data dari Kamera Handphone ................................................ 52
Tabel 5.3. Hasil Evaluasi Visual Data dari Kamera Pocket ........................................................ 52
Tabel 5.4. Berbagai jenis hasil keluaran ................................................................................... 54
10
DAFTAR GAMBAR
Gambar 2.1. Serat Kenaf........................................................................................................... 18
Gambar 2.2. Door Trim ............................................................................................................. 18
Gambar 2.3. Interior Mobil yang terbuat dari Serat Tanaman Kenaf ...................................... 19
Gambar 2.4. (a)Hawar Daun, (b)Sundapteryx, dan (c)Tungau ................................................. 22
Gambar 2.5. Arsitektur MLP ..................................................................................................... 25
Gambar 2.6. Arsitektur Convolutional Neural Network ........................................................... 25
Gambar 2.7. Proses pergeseran filter convolution layer .......................................................... 26
Gambar 2.8. Max Pooling Layer ............................................................................................... 26
Gambar 2.9. Arsitektur RCNN ................................................................................................... 27
Gambar 2.10. Arsitektur Fast RCNN ......................................................................................... 28
Gambar 2.11. Arsitektur Faster RCNN ...................................................................................... 29
Gambar 2.12. Modul Googlenet Inception ............................................................................... 29
Gambar 2.13. Modul inception v2 ............................................................................................ 31
Gambar 2.14. Region Proposal Network (RPN) ........................................................................ 31
Gambar 2.15. Ilustrasi 9 anchor box ......................................................................................... 32
Gambar 2.16. Intersection over Union ..................................................................................... 32
Gambar 2.17. Ilustrasi proses ROI Pooling ............................................................................... 33
Gambar 2.18. Confusion Matrix ............................................................................................... 33
Gambar 3.1 Diagram Alir Penelitian ......................................................................................... 35
Gambar 3.2. Proses pengambilan gambar menggunakan digital pocket(a) dan handphone(b)
.................................................................................................................................................. 36
Gambar 3.2 Diagram Alir Pengolahan Data Gambar ................................................................ 37
Gambar 4.1 Diagram penelitian ............................................................................................... 39
Gambar 4.2. Hasil Scan (a), Hasil kamera pocket (b), dan Hasil kamera handphone (c) ......... 40
Gambar 4.3. Proses pelabelan menggunakan Modul LabelImg............................................... 40
Gambar 4.4. Kumpulan data setelah proses pelabelan ........................................................... 41
11
Gambar 4.5. Konversi xml to csv .............................................................................................. 41
Gambar 4.6. Pembuatan labelmap.pbtxt ................................................................................. 42
Gambar 4.7. Alur training Faster RCNN.................................................................................... 43
Gambar 4.8. Proses Training pada Google Colaboratory ......................................................... 44
Gambar 4.9. Grafik Loss Function ............................................................................................. 45
Gambar 4.10. File config Faster RCNN inception v2 ................................................................ 47
Gambar 4.11. Evaluasi Pre-trained Model ............................................................................... 47
Gambar 5.1. Ground Truth 1 label penuh ................................................................................ 49
Gambar 5.2. Ground Truth label per jari daun ......................................................................... 49
Gambar 5.3. Perbandingan Nilai Loss, mAP, dan Recall ........................................................... 56
Gambar 5.4. Training Convolutional Neural Network .............................................................. 57
12
BAB 1 PENDAHULUAN
1.1. LATAR BELAKANG

Tanaman Kenaf (Hibiscus cannabinus L. Gaud) merupakan tanaman yang dapat
menghasilkan serat yang diambil dari kulit batangnya. Tanaman ini awalnya memiliki manfaat
sebagai bahan baku karung goni untuk mengemas hasil pertanian, kayunya dimanfaatkan
sebagai bahan bakar, dan beberapa negara mengkonsumsi daunnya sebagai sayuran atau
digunakan sebagai pakan ternak (Dempsey, 1975). Di Indonesia, tanaman ini mulai
berkembang komersil dan dimanfaatkan sebagai bahan baku karung goni sejak tahun
1978/1979 (Sudjindro, Heliyanto, Purwati, & Marjani, 1999). Saat ini pemanfaatan tanaman
Kenaf semakin bervariasi yakni sebagai bahan baku pembuatan geo-textile, particle board,
pulp, fibre drain, fibre board, dan kertas yang memiliki kualitas tinggi (Huda, Ramlah, Zakiah,
Aisyah, & Suhaila, 2014). Namun, munculnya bahan plastik menjadi salah satu faktor
menurunnya perkembangan tanaman ini yang semula memiliki lahan dengan luas 26.000 ha
menjadi ± 3000 ha. Selain itu, hal yang mempengaruhi menurunnya perkembangan adalah
produksinya yang rendah dikarenakan lahan yang tepat untuk perkembangan di Jawa terbatas
dan belum optimal dikembangkan di lahan marginal, harga sarana yang digunakan untuk
produksi tinggi, harga serat relatif rendah, serta gangguan dari hama dan penyakit. Untuk
menyeimbangkan antara produksi plastik dan serat kenaf seharusnya dihasilkan 2.0 ton/ha.
Namun, pencapaian produksi tanaman Kenaf yang dihasilkan rata-rata 1.7 ton/ha (Sudjindro
dkk., 1999). Oleh karena itu, kualitas dan kesehatan dari tanaman Kenaf harus dijaga sehingga
dapat memenuhi kebutuhan bahan baku untuk beberapa manfaat yang dihasilkan. Tanaman
ini dapat menjadi komersil kembali dengan meningkatnya produktifitas dan kualitas tinggi
yang dihasilkan sehingga beberapa kendala yang terjadi sekarang ini dapat terselesaikan.
Serangan hama dan penyakit terhadap tanaman kenaf merupakan salah satu kendala
yang dapat menghambat produksi. Beberapa penyakit yang menyerang dan dapat
menghambat produktivitas tanaman antara lain layu Fusarium, puru akar, hawar daun, busuk
pangkal batang, rebah kecambah, antraknosa dan becak daun, becak daun dan becak batang,
shoreshin, becak daun Clyndrosporium, dan layu bakteri (Singh, Dubey, & Srivastava, 2013).
Sedangkan hama yang dapat menyerang tanaman Kenaf terutama hama perusak daun antara
lain Amrasca biguttula (Ishida) atau yang sekarang disebut Sundapteryx, Spodoptera litura,
Ferrisia virgata, Aphis sp., Amsacta (Creatonotos) lactinea Cr., Anomis (Cosmophla) flava F.,
Euproctis spp., dan Nisotra sp. (Sunarto, Soetopo, & Sujak, 2009). Di Indonesia saat ini penyakit
13
dan hama yang sedang marak menyerang tanaman Kenaf adalah hama Sundapteryx dan
tungau serta penyakit hawar daun.
Gejala pada hama dan penyakit ini muncul di bagian daun dan batang yang
diidentifikasikan oleh pakar atau petani secara manual. Umumnya petani tidak memiliki
kemampuan dalam mendeteksi penyakit sehingga membutuhkan pakar untuk
mengidentifikasinya dengan membawa sampel tanaman ke institusi yang memiliki keahlian di
bidang tersebut, seperti Balai Penelitian Tanaman Pemanis dan Serat. Sistem ini
membutuhkan waktu lebih lama karena petani harus datang ke laboratorium untuk
mengetahui jenis penyakit dan untuk mengetahui obat yang harus digunakan. Pada penelitian
ini, penulis akan mengidentifikasi hama dan penyakit tanaman Kenaf berdasarkan gambar
gejala yang muncul pada bagian daun. Identifikasi ini untuk mempermudah peneliti maupun
petani tanaman kenaf dalam mengidentifikasi suatu penyakit dengan cepat dan tepat.
Pembangunan sistem berbasis pengolahan citra digital dapat mempermudah dan
mempercepat kinerja pakar dan petani dalam mendeteksi hama dan penyakit tanaman.
Pengolahan citra digital merupakan salah satu teknik yang dapat digunakan untuk mewakili
pakar dalam mengambil keputusan dan dapat diterapkan diberbagai bidang seperti
kesehatan, pertanian, peternakan, dan lainnya. Pada bidang pertanian, pengolahan citra
dapat digunakan untuk mendeteksi hama dan penyakit tanaman dengan cara mendeteksi
gejala yang muncul pada tanaman tersebut. Beberapa peneliti telah melakukan penelitian
menggunakan metode klasifikasi untuk mendeteksi penyakit berdasarkan gambar seperti
Anthonys dan Wickramarachchf (2009) yang melakukan klasifikasi menggunakan metode
Nearest Neighbor Classification dan akurasi yang diperoleh sebesar 70%, Joshi dan Jadhav
(2016) menggunakan metode Minimum Distance Classifier (MDC) dan mendapat akurasi
89.23% yang dibandingkan dengan metode k-Nearest Neighbor (K-NN) dan mendapatkan
akurasi sebesar 87.02%, Phadikar, Sil, dan Das (2012) menggunakan metode Bayes dan
memperoleh akurasi sebesar 79.5% yang dibandingkan dengan SVM Classifier dan
memperoleh hasil akurasi sebesar 68.1%, Phadikar dan Sil (2008) menggunakan metode SOM
Neural Network dan akurasi yang diperoleh sebesar 82%, dan Pawar, Turkar, dan Patil (2016)
menggunakan metode Artificial Neural Network memperoleh akurasi sebesar 80.45% dan
Sladojevic, Arsenovic, Anderla, Culibrk, dan Stefanovic (2016) menggunakan metode
Convolutional Neural Network memperoleh akurasi 96.3%.
Dari beberapa metode yang telah dibandingkan sebelumnya, metode CNN memiliki
akurasi tertinggi dalam pendeteksian penyakit. Namun karena metode CNN masih dianggap
14
lama dalam prosesnya, maka metode ini dikembangkan menjadi Region Convolutional Neural
Network (RCNN) dengan menambahkan metode selective search untuk menemukan wilayah
objek. Kemudian pengembangan dari RCNN yaitu Fast Region Convolutional Neural Network
(Fast RCNN) dengan mengubah klasifikasi RCNN yang semula SVM menjadi menggunakan ROI
Pooling untuk klasifikasinya. Kedua metode tersebut dikembangkan kembali agar komputasi
menjadi lebih cepat yaitu menjadi Faster Region Convolutional Neural Network (Faster RCNN)
yang mengganti selective search menjadi Regional Proposal Network (RPN). Pada penelitian
Chaudhari (2018) pada kasus deteksi kanker payudara berdasarkan gambar MRI, ketiga
metode tersebut dibandingkan kecepatan prosesnya dan metode RCNN dapat mendeteksi
suatu objek dalam waktu 49 detik, Fast RCNN 2.3 detik, dan Faster RCNN 0.2 detik. Selain
metode-metode tersebut, yang memperhatikan waktu proses cepat dan mendapatkan hasil
yang efisien terdapat pada metode SSDMobileNet. Namun pada penelitian Ghoury, Sungur,
dan Durdu (2019) yang membandingkan metode Faster RCNN dan SSDMobileNet, Faster
RCNN dapat mendeteksi lebih baik dengan mendapatkan akurasi 95.57%.
Berdasarkan penjelasan tersebut, pada kesempatan ini penulisakan melakukan
penelitian mengenai penggunaan metode Faster Regional Based Convolutional Neural
Network (Faster RCNN) untuk mendeteksi hama dan penyakit tanaman kenaf berdasarkan
gambar gejala yang diambil pada bagian daun guna membantu kinerja petani kenaf dalam
mendeteksi gejala hama dan penyakit tanaman kenaf.
1.2. RUMUSAN MASALAH

Berdasarkan latar belakang tersebut, maka permasalahan dapat dirumuskan sebagai
berikut:
1. Bagaimana hasil akurasi dari metode Faster RCNN untuk deteksi hama dan penyakit
tanaman Kenaf?
2. Bagaimana pengaruh perbedaan jumlah data, cara pelabelan, dan perbedaan kamera
untuk pengambilan gambar terhadap akurasi deteksi?
3. Bagaimana pemilihan skenario yang tepat untuk deteksi hama dan penyakit tanaman
Kenaf agar mendapatkan hasil yang lebih baik?
1.3. TUJUAN
Tujuan yang ingin dicapai pada penelitian ini adalah dapat mendeteksi hama dan
penyakit tanaman Kenaf menggunakan metode Faster Regional Based Convolutional Neural
15
Network (Faster RCNN) dan mendapatkan nilai akurasi yang tinggi serta proses yang relative
cepat.
1.4. MANFAAT
Manfaat yang diperoleh dari penelitian ini antara lain:
1. Petani dan pakar dari tanaman kenaf mendapatkan kemudahan dan efisiensi waktu
dalam mendeteksi hama dan penyakit yang dialami oleh tanaman.
2. Pakar dapat menyimpan ilmu atau informasi mengenai hama dan penyakit kenaf ke
dalam database sistem.
3. Peneliti dapat menerapkan metode Faster RCNN untuk pendeteksian hama dan
penyakit tanaman.
4. Peneliti mendapatkan hasil akurasi dari metode yang diteliti.
1.5. BATASAN MASALAH

Dalam pembuatan penelitian ini terdapat batasan masalah antara lain:
1. Data masukan yang digunakan berasal dari citra daun.
2. Pengambilan data dari tanaman kenaf yang ditanaman di perkebunan milik PT ABA di
Lamongan dan dari tanaman kenaf yang ditanaman di kebun Percobaan Karangploso
Malang milik Balittas.
3. Pengambilan data menggunakan kamera handphone, digital camera, dan scanner yang
diambil dengan jarak 20-25cm di atas kertas putih.
a. Kamera handphone yang digunakan bermerek Samsung tipe SM-A300H dengan
resolusi 3264x2448, ISO speed ISO-64, F-stop f/2.4, Exposure Time 1/100 sec, Focal
Length 3mm, dan Max Aperture 2.53.
b. Kamera Digital Pocket bermerek Samsung dengan tipe WB250F dengan resolusi
4320x3240, ISO speed ISO-100, F-stop f/3.2, Exposure Time 1/90 sec, Focal Length
4mm, dan Max Aperture 3.35.
c. Scanner yang digunakan bermerek Canon dengan tipe MP280 dengan resolusi 300,
400, dan 500 dpi.
4. Data yang digunakan sebanyak 79 data dari kamera handphone, 79 data dari kamera
digital, dan 391 data dari scanner.
5. Hasil keluaran sebanyak 4 kelas antara lain 3 kelas penyakit yang dilihat berdasarkan
ciri-ciri pada daun dan 1 kelas untuk tanaman sehat.
16
1.6. SISTEMATIKA PENULISAN
Dalam penulisan penelitian ini berisi gambaran pembahasan dari isi laporan yang
dibagi menjadi beberapa tahapan sebagai berikut :
BAB I PENDAHULUAN
Menjabarkan latar belakang dari masalah yang diambil, rumusan masalah penelitian,
tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan.
BAB II LANDASAN KEPUSTAKAAN

Membahas mengenai teori-teori yang digunakan untuk mendukung penelitian dan
membahas penelitian-penelitian terdahulu yang terkait dengan penelitian deteksi
hama dan penyakit.
BAB III METODOLOGI PENELITIAN

Membahas tentang langkah kerja dari penelitian dan penerapan metode Faster
Regional Based Convolutional Neural Network untuk deteksi hama dan penyakit
tanaman Kenaf.
BAB IV PERANCANGAN DAN IMPLEMENTASI

Membahas tentang rancangan model yang akan digunakan serta penerapannya.
BAB V PENGUJIAN DAN ANALISA

Membahas tentang pengujian-pengujian yang dilakukan serta analisa dan
pembahasan di setiap pengujiannya.
BAB VI PENUTUP
Berisi tentang kesimpulan dari penelitian yang telah dilakukan dan saran untuk
penelitian berikutnya.
17
BAB 2 LANDASAN KEPUSTAKAAN
2.1. TANAMAN KENAF

Tanaman Kenaf (Hibiscus cannabicus L. Gaud) merupakan tanaman yang kulit
batangnya dapat dimanfaatkan sebagai serat. Menurut Dempsey (1975), penduduk Afrika
telah menanam tanaman Kenaf sejak kurang lebih seribu tahun yang lalu dan digunakan
sebagai sayuran untuk dikonsumsi, sebagai pakan untuk ternaknya, dan kayu tanaman
digunakan sebagai bahan bakar. Seiring berkembangnya jaman, serat tanaman kenaf, seperti
yang ditunjukkan pada Gambar 2.1, mulai digunakan sebagai bahan baku pembuatan karung
goni dan saat ini lebih berkembang lagi pemanfaatannya yaitu sebagai bahan baku kertas
berkualitas tinggi, fibre board (door trim, interior mobil), fibre drain, particle board, dan geo-
textile (Huda et al., 2014).
Gambar 2.1. Serat Kenaf

Sumber : (Dokumentasi Pribadi)
Gambar 2.2. Door Trim

Sumber : (Corporation, 2012)
Tanaman Kenaf yang ada di Indonesia berasal dari India sejak tahun 1904. Sekitar
tahun 1978/1979 tanaman ini mulai dikembangkan untuk tujuan komersiil sebagai bahan
18
baku pembuatan karung goni untuk mengemas hasil-hasil pertanian seperti kopi, gula, kakao,
dan lain sebagainya (Sudjindro et al., 1999). Pengembangan kenaf secara besar besaran terjadi
sekitar tahun 1986/1987 dengan luas areal sekitar 26.000 ha. Namun saat ini areal yang
digunakan untuk pengembangan tanaman tersisa hanya ± 3.000 ha karena adanya persaingan
dengan kemasan plastik yang membuat pemanfaatan serat kenaf menurun. Untuk
menyeimbangkan antara produksi plastik dan serat kenaf seharusnya dihasilkan 2.0 ton/ha.
Namun, pencapaian produksi tanaman Kenaf yang dihasilkan rata-rata 1.7 ton/ha (Sudjindro
dkk., 1999)
Seiring berkembangnya zaman, pemanfaatan tanaman kenaf semakin bervariasi dan
tidak hanya sebagai bahan baku karung goni yaitu digunakan sebagai interior mobil yang
membuat mobil tersebut menjadi ramah lingkungan. Interior mobil yang dibuat menggunakan
serat tanaman kenaf antara lain doortrim, cover ban serep, sun visor, dash silencer, dan karpet
dasar pada mobil dengan ilustrasi yang ditunjukkan pada Gambar 2.3 (Hassan, Zulkifli, Ghazali,
& Azhari, 2017). Perusahaan yang telah menggunakan serat tanaman kenaf untuk interior
mobil yaitu PT. Toyota Astra Motor (TAM) dan Mercedes-Benz.
Gambar 2.3. Interior Mobil yang terbuat dari Serat Tanaman Kenaf
Sumber : (Hassan et al., 2017)
Dengan meningkatnya pemanfaatan serat kenaf untuk berbagai industri, maka
kebutuhan juga meningkat. Kebutuhan akan serat kenaf saat ini sekitar 7000 ton dan baru bisa
terpenuhi sebesar 60% saja. Ketersedian setiap tahun hanya 3000-4000 ton sehingga perlu
19
impor sebesar 3000-4000 ton dari Vietnam, India, dan Bangladesh untuk memenuhi
kebutuhan (Perkebunannews.com, 2019).
Hama dan penyakit merupakan salah satu faktor yang dapat menurunkan produksi
serat kenaf, sehingga penanganan dini terhadap hama dan penyakit akan sangat membantu
dalam mengendalikan hama dan penyakit ini sehingga target produksi dapat terpenuhi.
Beberapa penyakit yang dapat menyerang tanaman Kenaf antara lain penyakit layu bakteri
yang disebabkan oleh Ralstonia solanacearum, puru akar oleh Meloidogyne spp., hawar daun
oleh Phoma sabdariffae, busuk akar oleh Rhizoctonia, Sclerotium rolfsii, layu Fusarium oleh
Fusarium spp., dan antraknosa oleh Gloeosporium sp (Singh et al., 2013); (Singh et al., 2013),
(Swart & Tesfaendrias, 2003) (Zhang & Noe, 1996). Penyakit-penyakit tersebut memiliki gejala
yang terlihat pada daun, batang, dan atau akar. Beberapa penyakit yang ditemui pada
tanaman kenaf dirinci pada Tabel 2.1.
Tabel 2.1. Penyakit tanaman kenaf

No Penyakit Patogen Akibat Gejala
1 Layu Fusarium Jamur Fusarium Dapat menyebabkan - Tanaman layu dan daun
spp. kecambah, tanaman berwarna kuning.
muda, dan tanaman - Pangkal batang busuk dan
dewasa mati. berwarna cokelat.
- Jaringan pembuluh pada batang
berwarna cokelat.
2 Puru Akar Nematoda puru Dapat menyebabkan - Akar yang membengkak.
akar tanaman mati.
Meloidogyne
spp.
3 Hawar Daun Jamur Phoma - Daun menjadi rontok - Daun berwarna busuk cokelat
sabdariffae Sacc. sehingga menghambat dengan bintik-bintik hitam.
pertumbuhan. - Bercak cokelat dengan bintik
- Batang tidak dapat hitam pada kulit batang
lunak saat direndam.
4 Busuk Pangkal Jamur Tanaman layu mendadak - Pangkal batang busuk dan
Batang Sclerotium rolfsii berwarna cokelat kehitaman
Sacc. yang memiliki batas jelas.
5 Rebah Jamur Fusarium Tanaman menjadi mati - Pangkal batang busuk dan
Kecambah spp., Rhizoctonia berwarna cokelat pada
solani, dan kecambah dan tanaman muda.
Sclerotium
rolfsii.
6 Antraknosa dan Jamur - Daun terdapat bercak cokelat,
becak daun Gloeosporium muncul massa konidia berwarna
sp. jingga pada tengah bercak jika
dalam kondisi lembab.
7 Becak daun dan Jamur Curvularia - Daun terdapat bercak cokelat
becak batang sp. kemerahan yang ditengahnya
berwarna putih.
- Batang terdapat bercak
berwarna cokelat.
8 Shoreshin R. solani - Daun mengering.
20
- Daun mengerut karena hifa
jamur menyebar pada jari-jari
daun.
9 Becak daun Penyakit menyebar cepat - Daun diselimuti miselia hitam
Cylindrosporium yang menyebabkan
kerontokan daun terjadi
pada kondisi lembab.
10 Layu Bakteri Ralstonia Layu mendadak atau layu - Akar busuk dan berwarna hitam
solanacearum satu sisi
Sumber : (Yulianti & Supriyono, 2009)
Sedangkan hama yang dapat menyerang daun tanaman Kenaf antara lain Amrasca
biguttula (Ishida) atau yang sekarang disebut Sundapteryx, Spodoptera litura, Ferrisia virgata,
Aphis sp., Anomis (Cosmophla) flava F., Euproctis spp., Nisotra sp., dan Tetranychus urticae
(Tungau) (Sunarto et al., 2009), dengan gejala seperti pada Tabel 2.2.
Tabel 2.2. Hama tanaman kenaf

No Hama Akibat Gejala
1 Amrasca biguttula Dapat menyebabkan daun pada - Tepian daun memerah dan melengkung
atau Sundapteryx tanaman menjadi kering dan
rontok sehingga menyebabkan
tanaman mati.
2 Spodoptera litura Pada tanaman muda dapat - Daun tinggal kerangka saja
menyebabkan tanaman
terpotong sedangkan pada
tanaman tua menyebabkan
daun hanya tinggal tulang saja.
3 Ferrisia virgata Dapat menyebabkan tanaman - Adanya sekresi embun madu namun
layu dan kering karena tidak dikunjungi semut
kehilangan cairan sel yang
diserap oleh kutu
4 Aphis sp. Tanaman menjadi kerdil dan - Warna daun pucat
tidak berkembang - Daun mengeriting dan tidak
berkembang normal
- Terdapat embun madu dipermukaan
daun
5 Anomis Dapat menghambat - Daun berlubang-lubang.
(Cosmophla) flava F. perkembangan tanaman
6 Euproctis spp. Dapat mnghambat - Daun tinggal kerangka saja
perkembangan tanaman
7 Nisotra sp. Dapat menghambat - Daun berlubang-lubang
perkembangan tanaman - Untuk tanaman muda, daun tersisa
sangat sedikit
8 Tetranychus urticae Dapat menyebabkan kerusakan - Pada permukaan daun tersebar bercak
(Tungau) pada daun sehingga tanaman kemerahan
akan mati
Sumber : (Sunarto et al., 2009)
Dari hama dan penyakit yang telah dijabarkan, terdapat beberapa hama dan penyakit
yang banyak menyerang di Indonesia saat ini yang memiliki gejala yang terlihat pada daun
antara lain penyakit Hawar Daun, hama Sundapteryx dan Tungau seperti yang ditunjukkan
pada Gambar 2.4.
21
a b c
Gambar 2.4. (a)Hawar Daun, (b)Sundapteryx, dan (c)Tungau

Sumber : (Dokumentasi Pribadi)
2.2. PENELITIAN TERKAIT

Terdapat beberapa penelitian sebelumnya yang membahas mengenai deteksi penyakit
berdasarkan citra daun yang diselesaikan menggunakan metode klasifikasi Nearest Neighbor
Classification, Minimum Distance Classifier, k-Nearest Neighbor, Bayes, SVM Classifier, SOM
Neural Network, dan Convolutional Neural Network.
2.2.1. Deteksi Penyakit Tanaman menggunakan Metode Nearest Neighbor Classification

Data yang digunakan pada penelitian Anthonys dan Wickramarachchf (2009) untuk
deteksi penyakit tanaman padi berupa daun diperoleh dari sawah yang berada di Sri Lanka.
Jumlah gambar yang diambil sebanyak 50 dan terbagi menjadi 3 jenis penyakit antara lain Rice
blast, Rice sheath blight, dan Brown spot. Sebagian besar gambar diambil langsung dari sawah
dan yang lain diambil dalam laboratorium. Di laboratorium, citra daun diambil menggunakan
kamera digital dengan latar belakang gelap. Gambar-gambar yang diproses memiliki format
JPEG (.jpg) ditransfer ke dalam komputer untuk dilakukan pengolahan citra. Gambar JPEG
yang ditransfer memiliki ukuran sangat kecil yaitu 200 x 267 pixel dengan 50 dpi sehingga
gambar terbaca oleh sistem sangat cepat. Pemrosesan citra terdiri dari beberapa langkah yaitu
image digitization, segmentation, feature extraction, dan klasifikasi. Metode klasifikasi ini
menggunakan fungsi keanggotaan yang terdiri dari nilai RGB range, length, shape, diameter,
dan width untuk setiap kelasnya yang digunakan untuk membedakan antara class satu dengan
lainnya. Hasil akurasi yang diperoleh untuk deteksi penyakit pada tanaman menggunakan
metode Nearest Neighbor Classification sebesar 70% (Anthonys & Wickramarachchf, 2009).
22
2.2.2. Deteksi Penyakit Tanaman menggunakan Metode Minimum Distance Classifier dan
k-Nearest Neighbor
Penelitian yang dilakukan oleh Joshi dan Jadhav (2016) mengenai identifikasi dan
klasifikasi penyakit tanaman padi dengan lahan yang berada di India. Beberapa data gambar
diambil di lahan Station, Lonavala, Maharashtra, dan yang lainnya diambil di Internet dengan
perbedaan ukuran dan kualitas gambar. Data yang digunakan sebanyak 115 gambar yang
terbagi menjadi 4 jenis penyakit dan 70% gambar digunakan untuk data latih dan 30%
digunakan untuk data uji. Untuk input image pada pengolahan citra, gambar memiliki format
JPEG (.jpg) dan ukuran diubah menjadi 200 x 200 pixel. Tahapan pengolahan citra dari pre-
processing, segmentation, feature extraction, dan classification. Terdapat 4 penyakit yang
dikelompokkan antara lain rice bacterial blight, rice brown spot, rice sheath rot, dan rice blast.
Klasifikasi penyakit dilakukan menggunakan metode Minimum Distance Classifier (MDC) dan
k-Nearest Neighbor (kNN) dengan data yang sama dihasilkan akurasi masing-masing sebesar
89.23 % dan 87.02 % (Joshi & Jadhav, 2016).
2.2.3. Deteksi Penyakit Tanaman menggunakan Metode Bayes dan SVM Classifier
Penelitian Phadikar, Sil dan Das (2012) mengenai klasifikasi penyakit tanaman padi di
India membagi class untuk klasifikasi menjadi 3 bagian yaitu 1 class tanaman sehat dan dua
class jenis penyakit tanaman padi, leaf brown spot dan leaf blast, dengan total gambar
seluruhnya sebanyak 1000 gambar. Gambar hanya diambil di bagiann area yang berbeda dari
EastMidnapur, persawahan terbesar di Bengal Selatan, India menggunakan kamera digital
dengan mode macro. Klasifikasi untuk penyakit tanaman padi menggunakan metode Bayes
dan SVM Classifier yang memiliki akurasi masing-masing sebesar 79.5 % dan 68.1 % (S Phadikar
et al., 2012).
2.2.4. Deteksi Penyakit Tanaman menggunakan Metode SOM Neural Network
Penelitian dari Phadikar dan Sil (2008) mengenai identifikasi penyakit padi hanya
menggunakan dua jenis penyakit yaitu leaf blast dan brown spot pada area persawahan di
North East India yaitu di East Midnapur, area persawahan terbesar di South Bengal, India.
Gambar diambil menggunakan kamera digital dalam mode macro sejumlah 300 gambar.
Gambar saat digunakan sebagai input image telah dinormalisasi menjadi 100 x 80 pixel.
Klasifikasi dilakukan menggunakan metode SOM neural network yang menggunakan data latih
sebanyak 300 dan 50 epoch untuk melatih network. Setelah dilakukan pelatihan, kemudian
300 data diuji dengan beberapa kasus yang berbeda. Terdapat 4 kasus yang diberikan antara
23
lain menggunakan RGB pada spot untuk klasifikasi, menggunakan Fourier transform pada spot,
menggunakan Arbitrary rotation pada 50% spot, dan menggunakan Fourier transform pada
50% rotating spots. Masing-masing kasus klasifikasi memiliki akurasi sebesar 92%, 84%, 82%,
dan 70% (Santanu Phadikar & Sil, 2008).
2.2.5. Deteksi Penyakit Tanaman menggunakan Metode Convolutional Neural Network

Data yang digunakan untuk penelitian Sladojevic, Arsenovic, Anderla, Culibrk, dan
Stefanovic (2016) pada kasus deteksi penyakit tanaman diperoleh dari internet dengan
mencari penyakit dan nama tanaman dengan bahasa yang berbeda-beda seperti Latin, Inggris,
Jerman, Hungarian, dan Serbian. Dari data yang diperoleh, dikumpulkan ke dalam 15 kelas
dengan 13 kelas nama penyakit, 1 kelas untuk tanaman sehat, dan 1 kelas untuk gambar
dengan background yang diambil dari Stanford background dataset untuk melatih jaringan
dalam pengenalan daun dan sekitarnya. Total data menjadi 30880 untuk training dan 2589
untuk validasi. Kemudian data tersebut dilakukan seleksi dengan mengeliminasi data yang
beresolusi dibawah 500 px. Data yang dapat digunakan, dilakukan resize menjadi 256x256
untuk mengurangi waktu training. Setelah itu dilakukan augmentasi seperti affine
transformation, perspective transformation, dan rotation. Kemudian masuk proses CNN
dengan menggunakan arsitektur CaffeNet. Hasil akurasi yang diperoleh dalam penelitian ini
sebesar 96.3% (Sladojevic et al., 2016).
2.3. METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

Convolutional Neural Network (CNN) adalah salah satu jenis metode dari Artificial
Neural Network (ANN) yang menggunakan convolutional filter atau yang biasa disebut kernel
dan memiliki berbagai ukuran di setiap layernya. Metode CNN memiliki cara kerja yang mirip
dengan MLP namun setiap neuron pada CNN direpresentasikan dalam bentuk dua dimensi.
Pada suatu jaringan MLP terdapat beberapa layer yang masing-masing memiliki sejumlah
neuron di dalamnya seperti yang ditunjukkan pada Gambar 2.5. Setiap layer yang saling
berhubungan mempunyai parameter bobot dan dilakukan operasi linier dengan bobot yang
telah ditentukan. Hasil yang diperoleh dari operasi linier akan ditransformasikan ke dalam
perhitungan non linear, yang disebut fungsi aktivasi (Suartika, Wijaya, & Soelaiman, 2016).
24
Gambar 2.5. Arsitektur MLP
Sumber : (Suartika et al., 2016)
Masukan pada neural network dilambangkan oleh In = [i1, i2, i3, … , in] yang masuk ke
dalam jaringan melalui neuron yang ada di input layer. Masukan tersebut kemudian dikalikan
dengan bobot yang dilambangkan dengan Wij. Data masukan diteruskan ke neuron di dalam
hidden layer dengan proses seperti yang ditunjukkan pada persamaan (2-1).
𝑦 = ∑(𝑊𝑖𝑗𝑇 𝑥 𝑖𝑖 ) + 𝑏 (2-1)
Simbol Wij menunjukkan bobot dari input layer ke-i menuju hidden layer ke-j.
Sedangkan b merupakan nilai bias dengan masukan tetap yaitu 1. Nilai bias merupakan suatu
nilai yang digunakan sebagai nilai pelengkap dari variable input yang ditetapkan guna untuk
mengetahui apakah terdapat variable yang berpengaruh terhadap output namun belum
ditetapkan sebagai variable masukan (Qayyum, Kamal, Zafar, & Mathavan, 2016).
2.3.1. Arsitektur Convolutional Neural Network
Metode CNN biasa diterapkan pada kasus-kasus pendeteksian suatu objek yang
berasal dari data gambar. Neuron pada CNN memiliki bobot, bias, dan fungsi aktivasi seperti
pada neural network umumnya. Yang membedakan adalah arsitektur dari metode CNN.
Arsitektur merupakan sebuah sistem besar yang di dalamnya terdiri dari beberapa komponen
yang saling berhubungan. Komponen tersebut terbagi menjadi 2 bagian yaitu Feature
Learning yang berisi Convolution Layer dan Pooling, sedangkan bagian Classification berisi
Fully Connected Layer seperti yang ditunjukkan pada Gambar 2.6.
Gambar 2.6. Arsitektur Convolutional Neural Network

Sumber : (Wen, Li, Gao, & Zhang, 2018)
25
a. Feature Learning
Pada bagian ini dilakukan proses konversi dari suatu gambar menjadi fitur dalam
bentuk angka yang merepresentasikan gambar tersebut. Dalam feature learning ini terbagi
lagi menjadi 2 bagian yaitu :
1. Convolutional Layer
Convolutional layer memiliki neuron yang tersusun dari lebar, tinggi, dan kedalaman.
Utamanya dalam layer ini adalah jumlah dan ukuran filter yang digunakan. Filter-filter tersebut
akan bergeser ke semua bagian gambar dengan jumlah stride tertentu sehingga memberikan
hasil output yang disebut feature map atau activation map (Wang, Scott, Xu, & Clausi, 2016)
seperti yang ditunjukkan pada Gambar 2.7. Stride merupakan parameter yang menunjukkan
jumlah pergeseran suatu filter. Jumlah stride yang semakin kecil memiliki kemungkinan besar
menghasilkan informasi semakin detail namun waktu komputasi lebih besar.
Gambar 2.7. Proses pergeseran filter convolution layer
2. Pooling layer
Dalam Pooling layer terdapat filter yang memiliki ukuran dan stride yang telah
ditentukan dan bergeser ke seluruh area activation map seperti pada prinsip convolution
layer. Tujuan dari pooling layer untuk down sampling atau pengurangan dimensi feature map
agar komputasi lebih cepat (Prasetya & Bachtiar, 2017). Pooling layer dilakukan setelah proses
filter pada convolution layer dengan metode MaxPooling atau Average Pooling. Untuk Max
Pooling, angka tertinggi dalam suatu filter digunakan untuk hasil output. Sedangkan Average
Pooling, rata-rata angka dalam satu filter yang digunakan untuk hasil output.
Gambar 2.8. Max Pooling Layer

Sumber : (Suartika et al., 2016)
26
b. Classification
Pada bagian ini akan dilakukan klasifikasi citra berdasarkan data yang diperoleh dari
bagian feature learning. Hasil akhir dari feature learning berupa array multidimensi yang harus
diubah atau flatten dari feature map menjadi vector supaya dapat digunakan sebagai masukan
pada fully-connected layer (FC Layer). FC Layer yang digunakan berupa MLP yang memiliki
hidden layer, fungsi aktivasi, output layer, serta loss function.
Loss function merupakan proses perhitungan nilai error pada setiap output yang
dihasilkan disetiap jaringan. Perhitungan nilai error menggunakan cross entropy loss yang
ditunjukkan pada persamaan (2-2).
𝐸𝑡 (𝑦𝑡 , 𝑦 ′ 𝑡 ) = −𝑦𝑡 𝑙𝑜𝑔𝑦′𝑡 (2-2)
yt menunjukkan output yang telah ditentukan pada langkah ke-t, sedangkan y’t
menunjukkan output hasil prediksi.
2.4. METODE FASTER REGION BASED CONVOLUTIONAL NEURAL NETWORK (FASTER

RCNN)
Faster Region Based Convolutional Neural Network (Faster RCNN) merupakan
pengembangan dari metode Region Based Convolutional Neural Network (RCNN) dan Fast
Region Based Convolutionl Neural Network (Fast RCNN). RCNN merupakan metode yang
pertama kali dikenalkan oleh Ross Girshick dkk (2014) dengan mengembangkan CNN yang
pada prosesnya ditambahkan pencarian wilayah objek yang akan dideteksi. Penentuan
wilayah tersebut menggunakan metode region proposal selective search dan penentuan
kelasnya menggunakan metode SVM. Arsitektur RCNN ditunjukkan pada Gambar 2.9.
Gambar 2.9. Arsitektur RCNN

Sumber : (Dalai & Senapati, 2017)
27
Metode RCNN mengalami peningkatan hasil yang cukup signifikan dibandingkan
dengan CNN. Namun untuk proses trainingnya memiliki waktu yang cukup lama karena setiap
proses CNN dan SVM pada satu gambar harus melewati proses training. Oleh karena itu, Ross
Girshick dkk (2014) mengembangkan kembali menjadi Fast RCNN. Fast RCNN hanya memiliki
satu proses CNN untuk menghasilkan feature map yang kemudian hasilnya akan dicocokkan
dengan Region of Interest (ROI) yang diperoleh dari metode region based selective search.
Klasifikasi tidak lagi menggunakan metode classifier SVM namun menggunakan ROI pooling
dan fully connected layers. Arsitektur Fast RCNN ditunjukkan pada Gambar 2.10.
Gambar 2.10. Arsitektur Fast RCNN

Sumber : (Dalai & Senapati, 2017)
Pada Fast RCNN masih memiliki kekurangan yaitu adanya kompleksitas perhitungan
region proposal selective search. Kemudian Shaoqin Ren (2015) mengembangkan metode ini
menjadi Faster RCNN yang dibantu oleh Girshick sebagai pelopor metode sebelumnya. Faster
RCNN mengubah region proposal selective search menjadi Region Proposal Network (RPN)
untuk mendapatkan wilayah yang memungkinkan adanya objek yang akan dideteksi. Yang
menjadi masukan dari RPN adalah feature map hasil dari convolution layer terakhir. RPN
memberikan hasil beberapa bounding box yang tiap box-nya berisi dua skor probabilitas ada
dan tidaknya objek pada lokasi tersebut. Kemudian region-region tersebut dibentuk ulang
menggunakan ROI pooling agar dapat digunakan untuk mengklasifikasikan objek pada region
yang diusulkan dan memberikan bounding box pada objek tersebut. Arsitektur Faster RCNN
ditunjukkan pada Gambar 2.11.
28
Gambar 2.11. Arsitektur Faster RCNN
Sumber : (Alamsyah & Fachrurrozi, 2019)
Model arsitektur dari Faster RCNN bermacam-macam dan salah satunya adalah Faster
RCNN inception V2. Model tersebut adalah pengembangan dari Googlenet inception yang
dikembangkan oleh Google untuk ektraksi ciri pada gambar. Googlenet inception dibentuk
karena keterbatasan yang dimiliki oleh CNN yaitu rentan overfitting, kompleksitas tinggi, dan
penggunaan memori besar. Namun Googlenet inception dianggap masih memiliki kekurangan
yaitu dimensi input mengalami perubahan secara drastic dan adanya kompleksitas komputasi.
Google mengembangkan googlenet inception menjadi inception v2 dengan kelebihan
dapat mengurangi bottleneck dengan tidak adanya perubahan secara drastis untuk dimensi
input. Pengekstrasian ciri pada gambar dapat dilakukan lebih cepat dengan menerapkan
faktorisasi konvolusi dari modul googlenet inception. Modul googlenet inception ditunjukkan
pada Gambara 2.12.
Gambar 2.12. Modul Googlenet Inception

Sumber : (Szegedy, Vanhoucke, Loffe, Shlens, & Wojna, 2016)
29
Googlenet inception v2 memiliki 3 modul antara lain modul pertama yang
menggantikan konvolusi 5x5 menjadi dua kali 3x3 seperti yang ditunjukkan pada Gambar
2.13a, modul kedua adalah faktorisasi konvolusi dari modul pertama seperti yang ditunjukkan
pada Gambar 2.13b, dan modul ketiga adalah perubahan bentuk jaringan dari modul kedua
menjadi melebar, seperti yang ditunjukkan pada Gambar 2.13c, guna mengurangi
kompleksitas convolutional network dan meningkatkannya hingga 2.78 kali.
(a) Modul pertama Inception v2
(b) Modul kedua inception v2
30
(c) Modul ketiga inception v2
Gambar 2.13. Modul inception v2
Sumber : (Szegedy et al., 2016)
2.5. REGION PROPOSAL NETWORK (RPN)

Region Proposal Network (RPN) adalah suatu modul yang mengolah feature map dari
hasil konvolusi terakhir dengan memberikan prediksi wilayah yang mungkin berisi objek dan
memprediksi bounding box terhadap objek tersebut berdasarkan nilai k anchor boxes di setiap
sliding window seperti yang ditunjukkan Gambar 2.14.
Gambar 2.14. Region Proposal Network (RPN)

Sumber : (Alamsyah & Fachrurrozi, 2019)
Anchor box pada Faster RCNN terbagi menjadi 9 buah box dengan ukuran yang
berbeda yaitu skala 128x128, 256x256, dan 512x512 dengan aspek rasio 1:1, 1:2, 2:1 seperti
yang ditunjukkan pada Gambar 2.15.
31
Gambar 2.15. Ilustrasi 9 anchor box
NIlai anchor box didapat dengan memanfaatkan keberadaan ground truth dan nilai
overlap (IoU). Jika nilai IoU tinggi dan terdapat ground truth maka anchor box dilabeli sebagai
foreground dengan threshold yang digunakan adalah 0.6. Untuk mendapatkan nilai IoU
dengan membandingkan area True Bounding Box (tbb) dan Predicted Bounding Box (pbb)
(Karlita et al., 2019).Persamaan untuk mencari nilai IoU ditunjukkan pada persamaa (2-2) dan
ilustrasinya ditunjukkan pada Gambar 2.16.
𝑎𝑟𝑒𝑎 (𝑡𝑏𝑏ꓵ𝑝𝑏𝑏)
𝐼𝑜𝑈 = > 0.6 (2-2)
𝑎𝑟𝑒𝑎 (𝑡𝑏𝑏ꓴ𝑝𝑏𝑏)
Gambar 2.16. Intersection over Union

Sumber : (Shianto, Gunadi, & Setyati, 2019)
Anchor box dengan label background tidak diproses regressor karena nilai
kebenarannya rendah. Regressor Loss Function yang digunakan adalah smooth-L1 loss yang
terletak pada pojok kiri atas (x,y) dan logaritma dari kedalaman dan ketinggian box (Karlita et
al., 2019) seperti yang ditunjukkan pada persamaan (2-3).
𝐿𝑙𝑜𝑐 (𝑡 𝑣 , 𝑣) = ∑𝑛𝑖∈{𝑥,𝑦,𝑤,ℎ} 𝑠𝑚𝑜𝑜𝑡ℎ𝐿1 (𝑡𝑖𝑢 − 𝑣𝑖 ) (2-3).
0.5𝑥 2 𝑖𝑓 |𝑥| < 1
𝑠𝑚𝑜𝑜𝑡ℎ𝐿1 (𝑥) = { (2-4)
|𝑥| − 0.5 𝑠𝑒𝑏𝑎𝑙𝑖𝑘𝑛𝑦𝑎
32
2.6. REGION OF INTEREST (ROI) POOLING
Output dari RPN berupa region proposal yang memiliki ukuran berbeda dan untuk
proses klasifikasi dibutuhkan ukuran yang sama. Region of Interest (ROI) Pooling menghasilkan
feature maps dengan ukuran yang tetap dari masukan yang memiliki ukuran beragam dengan
melakukan max pooling pada input. Ilustrasi proses ROI Pooling ditunjukkan pada Gambar
2.17.
Gambar 2.17. Ilustrasi proses ROI Pooling

Sumber : (Grel, 2017)
2.7. CONFUSION MATRIX

Confusion matrix merupakan suatu cara untuk mengukur keberhasilan suatu model
dengan membandingkan hasil klasifikasi sebenarnya dengan hasil klasifikasi dari sistem.
Confusion matrix berupa table yang berisi perbandingan nilai prediksi dan nilai actual (Shianto
et al., 2019) seperti yang ditunjukkan pada Gambar 2.18.
Gambar 2.18. Confusion Matrix

Sumber : (Narkhede, 2018)
33
Berikut penjelasan mengenai istilah dalam Gambar 2.18:
a. True Positive (TP) : data positif yang diprediksi benar oleh sistem
b. True Negative (TN) : data negatif yang diprediksi benar oleh sistem
c. False Positive (FP) : data positif yang diprediksi salah oleh sistem
d. False Negative (FN) : data negative yang diprediksi salah oleh sistem
Dari nilai data yang diperoleh maka dapat dilakukan perhitungan nilai akurasi,
precision, recall, dan F1 score.
a. Akurasi : Menggambarkan keakuratan dari sistem dalam memprediksi
dengan tepat antara benar dan salah berdasarkan data aktual dari
keseluruhan data. Persamaan akurasi ditunjukkan pada (2-5)
𝑇𝑃+𝑇𝑁
𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (2-5)
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁
b. Precision : Menggambarkan keakuratan antara data yang dapat diprediksi

benar positif oleh sistem dengan seluruh hasil prediksi positif.
Persamaan precision ditunjukkan pada (2-6).
𝑇𝑃
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = (2-6)
𝑇𝑃+𝐹𝑃
c. Recall : Menggambarkan keberhasilan sistem dalam memprediksi data

benar positif dari seluruh data yang sebenarnya positif. Persamaan
recall ditunjukkan pada (2-7).
𝑇𝑃
𝑟𝑒𝑐𝑎𝑙𝑙 = (2-7)
𝑇𝑃+𝐹𝑁
d. F1-score : Perbandingan rata-rata dari precision dan recall. Persamaan F1-

score ditunjukkan pada (2-8).
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛∗𝑟𝑒𝑐𝑎𝑙𝑙
𝐹1 𝑠𝑐𝑜𝑟𝑒 = 2 ∗ 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑟𝑒𝑐𝑎𝑙𝑙 (2-8)
34
BAB 3 METODOLOGI PENELITIAN
3.1. METODE PENELITIAN

Penelitian untuk kasus deteksi hama dan penyakit tanaman Kenaf dengan menerapkan
metode Faster Region Based Convolutional Neural Network dilakukan sesuai diagram alir yang
Studi Literatur
Pengumpulan Data
Gambar
Pengolahan Data
Perancangan
Arsitektur
Pengujian dan Analisa
Kesimpulan dan Saran
Gambar 3.1 Diagram Alir Penelitian
3.2. STUDI LITERATUR

Studi literature dilakukan dengan mengumpulkan dan mempelajari literature-literatur
yang mendukung penelitian yang diambil dari buku maupun publikasi jurnal ilmiah, antara
lain:
a. Pengetahuan mengenai tanaman Kenaf
b. Metode dasar Neural Network
c. Metode Convolutional Neural Network
d. Proses pengembangan metode CNN menjadi Faster RCNN
3.3. TEKNIK PENGUMPULAN DATA

Data diperoleh dengan pengambilan langsung di perkebunan tanaman kenaf milik PT.
ABA Lamongan dan perkebunan milik Balai Penelitian Tanaman Pemanis dan Serat (Balittas)
di Karangploso, Malang. Data gambar diambil menggunakan kamera handphone, kamera
digital pocket, dan scanner dengan diberikan kertas putih dibelakang daun saat pengambilan
35
gambar serta jarak pengambilan gambar sekitar 20-25 cm untuk digital pocket dan handphone
seperti Gambar 3.2. Berikut spesifikasi alat yang digunakan untuk pengambilan data :
a. Kamera handphone yang digunakan bermerek Samsung tipe SM-A300H dengan
dimensi 3264x2448, ISO speed ISO-64, F-stop f/2.4, Exposure Time 1/100 sec, Focal
Length 3mm, dan Max Aperture 2.53.
b. Kamera Digital Pocket bermerek Samsung dengan tipe WB250F dengan dimensi
4320x3240, ISO speed ISO-100, F-stop f/3.2, Exposure Time 1/90 sec, Focal Length
4mm, dan Max Aperture 3.35.
c. Scanner yang digunakan bermerek Canon dengan tipe MP280 dengan dimensi
2548x2664.
Gambar 3.2. Proses pengambilan gambar menggunakan digital pocket(a) dan

handphone(b)
Sumber : (Dokumentasi pribadi)
3.4. PENGOLAHAN DATA GAMBAR

Data yang telah dikumpulkan akan diolah untuk mempermudah proses dalam
mendeteksi gejala hama dan penyakit tanaman Kenaf. Langkah-langkah dalam pengolahan
data gambar dijelaskan pada Gambar 3.2.
36
Mulai
Gambar Asli
Resize Image menjadi

600 x 800
Pelabelan Citra
Generate Data
Hasil
preprocessing
Deteksi penyakit
Faster RCNN
Selesai
Gambar 3.2 Diagram Alir Pengolahan Data Gambar
Berdasarkan diagram alir pada Gambar 3.2 menjelaskan bahwa data gambar asli akan
diolah ke dalam proses resize 600 x 800 agar ukuran gambar menjadi lebih kecil dan seragam.
Karena ukuran gambar yang besar menyebabkan lamanya komputasi dan ukuran yang
beragam menyebabkan proses training tidak berjalan. Setelah resize maka dilakukan
pelabelan menggunakan Module LabelImg. Pelabelan digunakan untuk pemberian informasi
mengenai letak objek pada gambar dengan memberikan bounding box pada objek. Hasil
pelabelan ini tersimpan dalam format xml.
Setelah pelabelan, dilakukan record data dengan mengubah file xml menjadi file
dengan format csv. Data tersebut terbagi menjadi data training dan testing. File tersebut
kemudian di-generate menggunakan library Tensorflow menjadi train.record dan test.record.
Kedua file inilah yang akan digunakan sebagai data dalam pelatihan sistem.
37
3.5. SKENARIO PENGUJIAN
Pengujian dilakukan agar sistem mendapatkan skenario yang sesuai dengan
kebutuhan dan mendapatkan akurasi yang baik. Berikut skenario pengujian yang akan
dilakukan :
1. Pengujian untuk menentukan pembagian jumlah data training dan data testing yang
tepat untuk mendapatkan akurasi yang baik dengan prosentase pembagian sebagai
berikut :
- Train: 80% danTest: 20% dari total data 664 data. Masing-masing kelas terbagi
menjadi :
 Hawar Daun : 70 data training dan 20 data testing
 Sehat : 31 data training dan 6 data testing
 Sundapteryx : 93 data training dan 23 data testing
 Tungau : 336 data training dan 85 data testing
- Menyamakan jumlah data setiap kelas sehingga terbagi menjadi 58 data training
dan 15 data testing untuk masing-masing kelas
- Pembagian data berdasarkan perbedaan penggunaan kamera. Dengan total data
yang digunakan sebanyak 105 data yang masing terbagi menjadi :
2. Pengujian ground thruth dengan label penuh 1 daun dan label detail tiap 1 jari daun.
3. Data yang digunakan untuk test model setelah selasai proses training dan validasi
sebanyak 20 data dengan masing-masing kelas sebanyak 5 data.
38
BAB 4 PERANCANGAN DAN IMPLEMENTASI
Pada Bab ini menjelaskan menganai alur penelitian mulai dari pengambilan data
gambar, tahapan pengolahan data, hingga hasil pelatihan. Metode yang dipilih untuk
menyelesaikan kasus deteksi hama dan penyakit tanaman Kenaf berdasarkan daun adalah
metode Faster RCNN dengan arsitektur inception V2 melalui framework Tensorflow Object
Detection API. Tahapan proses pada penelitian ini ditunjukkan pada Gambar 4.1.
Acquisition Preprocessing Training Testing Output
Pelatihan Citra Load Model

Daun Kenaf Resize
Daun Kenaf Training Bounding box,
label image,
dan akurasi
Export Graph Load pendeteksian
Scan Pelabelan
Model Labelmap hama dan
penyakit
tanaman
Kamera Konversi Load Frozen kenaf
Pocket xml to csv Graph
Kamera Generate Data

Handphone
Citra Daun Pembuatan

Kenaf Labelmap
Gambar 4.1 Diagram penelitian
3.1. Input Citra Daun Kenaf

Data yang akan diolah ke dalam sistem diambil secara langsung di perkebunan
tanaman kenaf milik PT. ABA Lamongan dan perkebunan milik Balai Penelitian Tanaman
Pemanis dan Serat (Balittas) di Karangploso, Malang. Pengolahan data agar dapat diproses
yaitu dengan meletakkan daun di atas kertas putih kemudian dilakukan proses scanning,
pengambilan gambar dengan kamera pocket dan handphone yang menghasilkan data digital
seperti yang ditunjukkan pada Gambar 4.2.
39
a b c
Gambar 4.2. Hasil Scan (a), Hasil kamera pocket (b), dan Hasil kamera handphone (c)
3.2. Preprocessing
Pada tahap ini dilakukan setelah sampel telah berbentuk data digital. Hasil gambar
daun memiliki ukuran dimensi yang beragam dan tinggi yaitu scan 2548x2664, kamera
handphone 3264x2448, dan kamera pocket 4320x3240. Gambar dengan ukuran tersebut
menyebabkan proses berjalan terlalu lama sehingga dibutuhkan proses resize agar proses
komputasi berjalan lebih cepat dan ringan. Ukuran dimensi gambar setelah dilakukan resizing
menjadi 600x800.
Gambar yang telah diperkecil ukurannya akan dilakukan pelabelan data menggunakan
modul LabelImg dengan memberikan bounding box pada objek yang dituju dan informasi
nama kelas di setiap bounding box-nya seperti yang ditunjukkan pada Gambar 4.3. Hasil
pelabelan berupa file dengan format xml yang berisi informasi mengenai nama kelas dan
bounding box pada tiap objek. Kumpulan data yang telah dilakukan pelabelan seperti yang
Gambar 4.3. Proses pelabelan menggunakan Modul LabelImg
40
Gambar 4.4. Kumpulan data setelah proses pelabelan
File hasil pelabelan dengan format xml kemudian dikonversi menjadi file dengan
format csv seperti yang ditunjukkan pada Gambar 4.5 untuk dilakukan record data. Sebelum
dikonversi, file-file tersebut dibagi menjadi data training dan data testing. File hasil konversi
“test_labels.csv” dan “train_labels.csv” kemudian dilakukan generate data menjadi
”test.record” dan “train.record” menggunakan library Tensorflow.
File format xml
File format csv
Gambar 4.5. Konversi xml to csv

Proses selanjutnya setelah generate data adalah pembuatan Labelmap.pbtxt yang
berisi infomasi mengenai nama kelas yang akan digunakan untuk pendeteksian objek.
41
Labelmap.pbtxt memberikan informasi bahwa kelas yang digunakan ada 4 yaitu hawar daun,
sehat, sundapteryx, dan tungau. Isi dari labelmap.pbtxt ditunjukkan pada Gambar 4.6.
Gambar 4.6. Pembuatan labelmap.pbtxt
3.3. Training
Proses training dilakukan menggunakan algoritma Faster RCNN dengan model
arsitektur Inception V2. Algoritma tersebut dijalankan di Tensorflow versi 1.15 dengan bahasa
pemrograman Python pada Google Colaboratory yang setara dengan komputer berspesifikasi
GPU Tesla, RAM 12 GB, Disk 300 GB. Proses training menggunakan Faster RCNN ditunjukkan
pada Gambar 4.7.
Total data yang dimiliki sejumlah 664 data gambar. Pembagian data untuk training dan
testing antara lain :
- Train: 80% danTest: 20% dari total data 664 data. Masing-masing kelas terbagi menjadi :
- Menyamakan jumlah data setiap kelas sehingga terbagi menjadi 58 data training dan 15
data testing untuk masing-masing kelas
- Pembagian data berdasarkan perbedaan penggunaan kamera. Dengan total data yang
digunakan sebanyak 105 data yang masing terbagi menjadi :
42
CNN
Region Proposal Network

size
Anchors/Box
Ground-truth
Bounding box
Region Proposal Layer
Kumpulan
Region
Klasifikasi
Bounding box
Foreground/
Regressor
Background
Region
Non Max
Suppresion
ROI Pooling
Classifier Regressor
Bounding box
Deteksi kelas Regression
Gambar 4.7. Alur training Faster RCNN
43
Pada Gambar 4.7 menggambarkan alur dari proses training yang diawali dengan
masukan data gambar yang telah dilakukan resize menjadi 600x800. Kemudian dari data
gambar tersebut diproses menggunakan metode Convolutional Neural Network. Kemudian
feature map dari convolution layer dilakukan pemetakan anchor box yang akan dilabeli
berdasarkan ground thruth yang telah ditetapkan sebelumnya. Hasil pelabelan background
atau foreground ditetapkan berdasarkan nilai IoU yang memiliki threshold 0.6. Dari proses
tersebut, dihasilkan kumpulan region dengan label foreground yang kemudian dilakukan
proses non max suppression agar region yang dihasilkan lebih sederhana dan tidak bertumpuk.
Kumpulan region dengan berbagai ukuran dari feature map yang telah dihasilkan tersebut
kemudian diproses ke dalam ROI pooling untuk direduksi menjadi ukuran yang sama. Hasil
dari ROI pooling tersebut berupa objek proposal yang kemudian diberikan nilai probabilitas
untuk menetukan kelas dan menentukan bounding box untuk tiap wilayah objek. Hasil
akhirnya berupa gambar dengan bounding box yang terdapat objek di dalamnya serta nama
kelas dari objek tersebut. Gambar 4.8 menunjukkan proses training pada Google Colaboratory
yang menampilkan waktu komputasi dan nilai loss setiap step iterasi.
Gambar 4.8. Proses Training pada Google Colaboratory
Loss Function yang terjadi selama proses training semakin menurun ketika semakin
banyak iterasi yang dijalankan. Dan di akhir iterasi mendapatkan loss terendah sebesar 0.09
dengan waktu komputasi rata-rata per iterasi 1.4 detik. Grafik loss function ditunjukkan pada
grafik Gambar 4.9.
44
Grafik Loss Function
1.5
Nilai loss
1
0.5
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 8 8.5 9 9.5 10
Iterasi (ribu)
Loss
Gambar 4.9. Grafik Loss Function

Proses training yang dilakukan pada Google Colaboratory sebanyak 10000 iterasi
memakan waktu kurang lebih 3 jam dengan learning rate 0.0002 dan menghasilkan loss
terendah 0.09. Data yang diperoleh setelah proses training antara lain model.ckpt.index,
model.ckpt.data, model.ckpt.meta, dan pipeline.config yang kemudian dijadikan frozen
inference graph agar dapat dijalankan pada local system. Frozen inference graph merupakan
hasil model yang diperoleh selama training untuk pendeteksian objek dan tidak perlu
melakukan train lagi. Frozen model ini juga memiliki kapasitas yang lebih kecil dibandingkan
dengan hasil train itu sendiri karena dilakukan penghapusan node-node yang digunakan
selama training dan tidak dibutuhkan lagi untuk proses pendeteksian objek.
Frozen model yang dijalan di local system dibutuhkan labelmap untuk pendeklarasian
kelas yang digunakan dan harus sesuai dengan yang digunakan saat training. Karena pada
frozen model, kelas yang digunakan dalam bentuk array sehingga sistem akan memanggil
kelas sesuai array yang telah tersimpan dalam model. Dan pendeklarasian kelas dalam bentuk
string dibutuhkan agar output lebih mudah dimengerti.
Pada proses training menggunakan file config Faster RCNN dengan model arsitektur
inception v2 yang ditunjukkan pada Gambar 4.10. Penggunaan file config dapat
mempermudah dalam mengganti parameter sesuai yang dibutuhkan. Jumlah kelas
disesuaikan pada bagian num_classes. Rasio gambar yang dapat diproses ke dalam sistem
memiliki batasan yang dapat disesuaikan menggunakan keep_aspect_ratio_resizer.
Pada grid_anchor_generator menunjukkan skala dan rasio yang digunakan anchor box
sebagai perbandingan lokasi box dengan ground truth. Pada
stage_nms_score_threshold, stage_nms_iou_threshold,
stage_max_proposals, stage_localization_loss_weight,
stage_objectness_loss_weight, initial_crop_size, maxpool_kernel_size,
dan maxpool_stride berisi parameter-parameter yang juga dapat disesuaikan
45
berdasarkan batasan yang dibutuhkan. Pada
second_stage_localization_loss_weight dan
second_stage_classification_loss_weight merupakan bobot yang digunakan
untuk perhitungan loss lokasi bounding box dan loss klasifikasi.
model {
faster_rcnn {
num_classes: 4
image_resizer {
keep_aspect_ratio_resizer {
min_dimension: 600
max_dimension: 1024
}
}
feature_extractor {
type: 'faster_rcnn_inception_v2'
first_stage_features_stride: 16
}
first_stage_anchor_generator {
grid_anchor_generator {
scales: [0.25, 0.5, 1.0, 2.0]
aspect_ratios: [0.5, 1.0, 2.0]
height_stride: 16
width_stride: 16
}
}
first_stage_box_predictor_conv_hyperparams {
op: CONV
regularizer {
l2_regularizer {
weight: 0.0
}
}
initializer {
truncated_normal_initializer {
stddev: 0.01
}
}
}
first_stage_nms_score_threshold: 0.0
first_stage_nms_iou_threshold: 0.6
first_stage_max_proposals: 300
first_stage_localization_loss_weight: 2.0
first_stage_objectness_loss_weight: 1.0
initial_crop_size: 14
maxpool_kernel_size: 2
maxpool_stride: 2
second_stage_box_predictor {
mask_rcnn_box_predictor {
use_dropout: false
dropout_keep_probability: 1.0
fc_hyperparams {
op: FC
regularizer {
l2_regularizer {
weight: 0.0
}
}
initializer {
variance_scaling_initializer {
46
factor: 1.0
uniform: true
mode: FAN_AVG
}
}
}
}
}
second_stage_post_processing {
batch_non_max_suppression {
score_threshold: 0.0
iou_threshold: 0.6
max_detections_per_class: 100
max_total_detections: 300
}
score_converter: SOFTMAX
}
second_stage_localization_loss_weight: 2.0
second_stage_classification_loss_weight: 1.0
}
}
Gambar 4.10. File config Faster RCNN inception v2
Pada Gambar 4.11 merupakan bagian dari file config Faster RCNN inception v2 yang
menunjukkan lokasi penyimpanan file ground truth dan label_map yang digunakan untuk
validasi suatu model setelah proses training.
train_input_reader: {
tf_record_input_reader {
input_path: "D:/Tensorflow Object Detection API/Object
Detection/data/train.record"
}
label_map_path: "D:/Tensorflow Object Detection API/Object
Detection/data/label_map.pbtxt"
}
eval_config: {
num_examples: 81
# Note: The below line limits the evaluation process to 10 evaluations.
# Remove the below line to evaluate indefinitely.
max_evals: 10
}
eval_input_reader: {
tf_record_input_reader {
input_path: "D:/Tensorflow Object Detection API/Object
Detection/data/test.record"
}
label_map_path: "D:/Tensorflow Object Detection API/Object
Detection/data/label_map.pbtxt"
shuffle: false
num_readers: 1
}
Gambar 4.11. Evaluasi Pre-trained Model
47
BAB 5 PENGUJIAN DAN ANALISA
5.1. Pengujian Pembagian Jumlah Data Training dan Testing

Pengujian ini dimaksudkan untuk mengetahui pengaruh pembagian jumlah data
training dan testing terhadap akurasi yang didapatkan. Skenario pengujian ditunjukkan pada
Tabel 5.1. Untuk hasil uji coba terhadap sistem dijabarkan pada Lampiran.
Tabel 5.1. Skenario Pengujian
Pelabelan data
Data untuk train penuh 1 daun
Pengujian 1
80% dan test 20% Pelabelan data per
jari daun
Data train dan test Pelabelan data
tiap kelas sama yaitu penuh 1 daun
Pengujian 2
58 data train dan 15 Pelabelan data per
data test jari daun
Pelabelan data
Train dan test
penuh 1 daun
Pengujian 3 berdasarkan jenis
Pelabelan data per
kamera handphone
jari daun
Pelabelan data
Train dan test
penuh 1 daun
Pengujian 4 berdasarkan jenis
Pelabelan data per
kamera pocket
jari daun
Pelabelan yang digunakan untuk ground truth ada 2 jenis yaitu pelabelan data penuh
1 daun dan pelabelan data per jari. Pelabelan penuh dilakukan untuk melihat kemampuan
sistem dalam mendeteksi penyakit yang mendominasi pada daun dan melihat kemampuan
sistem dalam mendeteksi penyakit jika gejala yang dimiliki sangat kecil. Pelabelan per jari
dilakukan agar sistem dapat mendeteksi penyakit secara detail pada daun karena setiap daun
bisa memiliki lebih dari 1 penyakit. Pelabelan dapat ditunjukkan pada Gambar 5.1 dan 5.2.
48
Gambar 5.1. Ground Truth 1 label penuh
Gambar 5.2. Ground Truth label per jari daun
5.1.1. Data untuk Train 80% dan Test 20%

Pada penelitian ini menggunakan data sebanyak 668 data, untuk train 532 data dan
untuk test 134 data. Pada pengujian ini menggunakan dua cara pelabelan yaitu pelabelan
penuh 1 daun dan pelabelan tiap jari daun. Untuk melihat pengaruh dari ground truth
terhadap hasil deteksi, dilakukan proses training sebanyak 10000 iterasi.
Selain itu juga dilakukan evaluasi visual untuk melihat kinerja sistem yang dilihat pada
20 sampel gambar yang masing-masing kelas terdiri dari 5 gambar. Evaluasi visual
menghasilkan akurasi deteksi dan akurasi bounding box yang dihitung menggunakan
persamaan (5-1) dan (5-2) (Karlita et al., 2019).
𝑇𝑃
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑑𝑒𝑡𝑒𝑘𝑠𝑖 = ( 𝑁 ) 𝑥100% (5-1)
𝐵𝐵
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑏𝑜𝑢𝑛𝑑𝑖𝑛𝑔 𝑏𝑜𝑥 = (𝑇𝑃 ) 𝑥100% (5-2)
Akurasi deteksi untuk melihat keberhasilan sistem dalam mendeteksi suatu kelas dan
akurasi bounding box untuk melihat ketepatan bounding box dalam menentukan lokasi
deteksi. Akurasi deteksi didapatkan dengan membandingkan jumlah penyakit yang terdeteksi
49
benar dan jumlah seluruh penyakit yang diuji. Sedangkan akurasi bounding box didapatkan
dengan membandingkan letak bounding box yang tepat (BB) dan jumlah penyakit yang
terdeteksi. Hasil dari evaluasi visual dijabarkan pada Tabel 5.2.
Tabel 5.2. Hasil Evaluasi Visual Data 80%-20%
Label Kelas Akurasi Deteksi (%) Akurasi Bounding Box (%)
1.83 1.83
Hawar Daun 𝑥100% = 36.67% 𝑥100% = 100%
5 1.83
2 2
Sehat 𝑥100% = 40% 𝑥100% = 100%
5 2
Penuh
4 3
Sundapteryx 𝑥100% = 80% 𝑥100% = 75%
5 4
5 3
Tungau 𝑥100% = 100% 𝑥100% = 60%
5 5
Rata-Rata 64.16% 83.75%
1 1
Hawar Daun 𝑥100% = 11.11% 𝑥100% = 100%
9 1
33 32
Sehat 𝑥100% = 94.28% 𝑥100% = 96.96%
35 33
Per Jari
29 29
Sundapteryx 𝑥100% = 85.29% 𝑥100% = 100%
34 29
20 18
Tungau 𝑥100% = 62.5% 𝑥100% = 90%
32 20
Rata-Rata 63.29% 96.74%
Dari hasil evaluasi visual yang ditunjukkan pada Tabel 5.2 menunjukkan bahwa
pelabelan penuh mendapatkan hasil yang lebih baik dibandingkan dengan pelabelan per jari
daun. Hal ini juga dipengaruhi oleh jumlah data untuk pelatihan yang tidak seragam setiap
kelasnya. Sehingga perlu dilakukan pelatihan menggunakan data yang seragam jumlahnya
untuk perbandingan hasil.
5.1.2. Data untuk Train dan Test Berjumlah Sama setiap Kelas
Pada pengujian ini menggunakan data sebanyak 70 data per kelas, untuk train 58 data
dan untuk test 15 data. Pengujian ini dilakukan karena jumlah keseluruhan data
pembagiannya tidak seragam tiap kelasnya. Ada beberapa penyakit yang mendominasi jumlah
datanya dan adapula yang terlalu sedikit jumlah datanya. Dari total 668 data, hawar daun
memiliki 187 data, sehat 73 data, sundapteryx 190 data, dan tungau 216 data. Oleh karena
50
itu, dilakukan pengujian penyamaan jumlah data untuk melihat pengaruh dari hasil deteksi.
Pengujian ini juga menggunakan 2 jenis pelabelan yaitu pelabelan penuh dan pelabelan per
jari.
Evaluasi visual juga dilakukan untuk melihat kinerja sistem yang dilihat pada 20 sampel
gambar yang masing-masing kelas terdiri dari 5 gambar. Evaluasi visual menghasilkan akurasi
deteksi dan akurasi bounding box yang dihitung menggunakan persamaan (5-1) dan (5-2).
Hasil evaluasi visual ditunjukkan pada Tabel 5.3.
Tabel 5.3. Hasil Evaluasi Visual Data Seragam per Kelas

4 4
Hawar Daun 𝑥100% = 80% 𝑥100% = 100%
5 4
3.83 2
Sehat 𝑥100% = 76.67% 𝑥100% = 52.21%
5 3.83
Penuh
3.33 2.33
Sundapteryx 𝑥100% = 66.67% 𝑥100% = 69.96%
5 3.33
4.33 3
Tungau 𝑥100% = 86.67% 𝑥100% = 69.28%
5 4.33
Rata-Rata 77.502% 72.86%
0.5 0.5
Hawar Daun 𝑥100% = 5.55% 𝑥100% = 100%
9 0.5
33 29.5
Sehat 𝑥100% = 94.28% 𝑥100% = 89.39%
35 33
Per Jari
9 9
Sundapteryx 𝑥100% = 26.47% 𝑥100% = 100%
34 9
26.5 23.5
Tungau 𝑥100% = 82.81% 𝑥100% = 88.67%
32 26.5
Rata-Rata 50.15% 94.51%
Dari evaluasi visual yang ditunjukkan pada Tabel 5.3, label penuh mendapatkan akurasi
deteksi yang lebih baik dibandingkan dengan label detail per jari namun peletakan bounding
box mendapatkan hasil lebih rendah. Hal tersebut juga bisa dipengaruhi oleh jumlah data
pelatihan yang terlalu sedikit atau jumlah iterasi yang kurang banyak.
51
5.1.3. Data diambil menggunakan Kamera HP dan Pocket
Pengambilan gambar yang digunakan untuk database deteksi penyakit diambil
menggunakan 3 alat yaitu scanner, kamera handphoe, dan kamera pocket. Pada pengujian kali
ini akan membanding hasil dari pengambilan gambar menggunakan kamera yang berbeda.
Kumpulan data tersebut dibagi menjadi 80% data training dan 20% data testing di setiap jenis
kamera. Masing-masing gambar dari jenis kamera juga diuji berdasarkan ground truth yang
berbeda, pelabelan penuh 1 daun dan pelabelan per jari daun. Hasil evaluasi visual
ditunjukkan pada Tabel 5.4 dan 5.5.
Tabel 5.4. Hasil Evaluasi Visual Data dari Kamera Handphone

1.5 1
Hawar Daun 𝑥100% = 30% 𝑥100% = 66.67%
5 1.5
1.5 1
Sehat 𝑥100% = 30% 𝑥100% = 66.67%
5 1.5
Penuh
0 0
Sundapteryx 𝑥100% = 0% 𝑥100% = 0%
5 0
0 0
Tungau 𝑥100% = 0% 𝑥100% = 0%
5 0
Rata-Rata 15% 33.35%
0 0
Hawar Daun 𝑥100% = 0% 𝑥100% = 0%
9 0
20 16
Sehat 𝑥100% = 57.14% 𝑥100% = 80%
35 20
Per Jari
1.5 0.5
Sundapteryx 𝑥100% = 4.41% 𝑥100% = 33.33%
34 1.5
4 4
Tungau 𝑥100% = 12.5% 𝑥100% = 100%
32 4
Rata-Rata 18.51% 53.33%
Tabel 5.3. Hasil Evaluasi Visual Data dari Kamera Pocket

0 0
Hawar Daun 𝑥100% = 0% 𝑥100% = 0%
5 0
Penuh
0 0
Sehat 𝑥100% = 0% 𝑥100% = 0%
5 0
52
2 0
Sundapteryx 𝑥100% = 40% 𝑥100% = 0%
5 2
0 0
Tungau 𝑥100% = 0% 𝑥100% = 0%
5 0
Rata-Rata 10% 0%
0 0
Hawar Daun 𝑥100% = 0% 𝑥100% = 0%
9 0
13 10
Sehat 𝑥100% = 37.14% 𝑥100% = 76.92%
35 13
Per Jari
0 0
Sundapteryx 𝑥100% = 0% 𝑥100% = 0%
34 0
5 4
Tungau 𝑥100% = 15.62% 𝑥100% = 80%
32 5
Rata-Rata 13.19% 39.23%
Dari hasil akurasi deteksi dan bounding box yang ditunjukkan pada Gambar 5.4 dan 5.5
menunjukkan bahwa setelah data dari keseluruhan dipisah berdasarkan jenis kamera dan
dilakukan proses training sendiri ternyata hasil yang didapatkan tidak bagus. Hal ini bisa
disebabkan karena jumlah data yang digunakan untuk pelatihan dan pengujian sangat sedikit
sehingga sistem kurang bisa berlatih mengenali setiap ciri-cirinya. Selain itu, perlu diberikan
tambahan mekanisme preprocessing agar setiap jenis gambar yang diambil menggunakan
jenis kamera yang berbeda mendapatkan fitur input yang relatif sama.
Pada beberapa objek dapat terdeteksi dengan benar dan dengan posisi bounding box
yang tepat. Banyak juga yang terdeteksi benar namun posisi bounding box tidak tepat bahkan
untuk 1 deteksi bisa menghasilkan banyak bounding box. Hal tersebut membuat hasil keluaran
berantakan dan sulit terbaca terutama untuk jenis pelabelan per jari. Banyaknya bounding box
yang keluar disebabkan karena proses non-max suppression tidak memperoleh nilai yang
tepat untuk menghasilkan 1 bounding box. Selain sebab tersebut, dapat pula disebabkan oleh
proses non-max suppression dalam suatu library yang tidak berfungsi. Penjabaran mengenai
berbagai jenis hasil keluaran ditunjukkan pada Tabel 5.4.
Bentuk daun dan ciri-ciri setiap penyakit sangat mirip. Jika data yang digunakan untuk
pelatihan terbatas maka sistem pun juga akan sulit mengenali setiap penyakitnya. Selain itu,
perbedaan alat yang digunakan untuk mengambil gambar juga membuat ciri yang baru pada
daun seperti perbedaan warna. Karena tidak melewati pre-processing terlebih dahulu, maka
gambar yang memiliki perbedaan warna juga sulit untuk terdeteksi.
53
Tabel 5.4. Berbagai jenis hasil keluaran
Output Keterangan
Hasil keluaran dengan deteksi yang benar
dan letak bounding box yang tepat
Hasil keluaran dengan deteksi yang tepat

dan terdapat bounding box dengan letak
yang tepat namun ada pula bounding box-
bounding box lain yang muncul.
Hasil deteksi benar namun bounding box

berada di posisi yang kurang tepat
Untuk pelabelan penuh, hasil deteksi lebih

dari satu dan salah satunya mendeteksi
dengan benar. Bounding box dari deteksi
yang benar berada di posisi yang tepat.
Hasil deteksi salah
Gambar tidak terdeteksi
54
5.2. Perbandingan Nilai
Pada proses training menyajikan informasi nilai loss, precision (mAP), dan recall pada
bounding box yang terprediksi pada suatu kelas. Grafik nilai-nilai tersebut disajikan pada
Gambar 5.3. NIlai loss untuk semua skenario sama-sama semakin menurun dengan
bertambahnya iterasi. Namun untuk skenario dengan pelabelan penuh memiliki nilai loss yang
lebih rendah dibandingkan dengan pelabelan per jari.
Bounding box yang dikeluarkan oleh sistem merupakan prediksi batas terhadap
koordinat ground truth dan IoU yang digunakan untuk menyetel batas ini berdasarkan ambang
batas yang ditentukan. Pada model penelitian ini mempertimbangkan semua ambang batas
dalam satu metrik dengan menggunakan mAP. Kurva mAP merupakan kurva yang
menggambarkan precision-recall dalam satu angka. Pada grafik yang ditunjukkan pada
Gambar 5.3 bagian mAP menunjukkan bahwa semakin bertambahnya iterasi maka nilai mAP
juga semakin tinggi dan skenario dengan pelabelan penuh memiliki nilai mAP lebih tinggi
dibandingkan dengan pelabelan per jari namun pelabelan per jari pergerakannya lebih stabil
antar iterasi.
Average recall (AR)@1 merupakan rata-rata recall disemua gambar, semua kelas, dan
semua ambang IoU dengan paling banyak 1 deteksi. Grafik AR@1 menunjukkan kenaikan nilai
di setiap bertambahnya iterasi. Untuk data dengan pelabelan penuh memiliki nilai AR lebih
tinggi dibandingkan dengan pelabelan jari. Namun pergerakan nilainya lebih stabil untuk yang
pelabelan per jari.
Loss
12
10
8
NILAI LOSS
0
0
9
0.3
0.6
0.9
1.2
1.5
1.8
2.1
2.4
2.7
3.3
3.6
3.9
4.2
4.5
4.8
5.1
5.4
5.7
6.3
6.6
6.9
7.2
7.5
7.8
8.1
8.4
8.7
9.3
9.6
9.9
ITERASI (RIBU)
A B C D E F G H
55
Mean Average Precision (mAP)
0.5
0.45
0.4
0.35
0.3
MAP
0.25
0.2
0.15
0.1
0.05
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 8 8.5 9 9.5 10
ITERASI (RIBU)
A B C D E F G H
Average Recall (AR)

0.8
0.7
0.6
0.5
AR@1
0.4
0.3
0.2
0.1
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 8 8.5 9 9.5 10
ITERASI (RIBU)
A B C D E F G H
Gambar 5.3. Perbandingan Nilai Loss, mAP, dan Recall
Keterangan :
A = Data 80%-20% dengan label penuh
B = Data 80%-20% dengan label detail per jari
C = Jumlah data sama tiap kelas (58-15) dengan label penuh
D = Jumlah data sama tiap kelas (58-15) dengan label detail per jari
E = Data dari kamera handphone dengan label penuh
F = Data dari kamera handphone dengan label detail per jari
56
G = Data dari kamera pocket dengan label penuh
H = Data dari kamera pocket dengan label detail per jari
Ketika skenario pengujian dengan akurasi deteksi terbaik yaitu pembagian data
seragam, diuji ke dalam metode Convolutional Neural Network ternyata membutuhkan waktu
yang cukup lama ketika proses training. Perbandingannya dengan Faster RCNN yaitu selama 3
jam metode ini dapat menyelesaikan 10000 langkah. Sedangkan CNN hanya mendapatkan 100
epoch dengan ukuran batch 32 pada waktu tersebut. Namun nilai loss yang didapatkan pun
juga cenderung menurun disetiap pertambahan epoch seperti yang ditunjukkan pada Gambar
5.4
Training Loss and Accuracy

3
2.5
Loss/Accuracy
1.5
Train acc
1 Train loss
0.5
0
129
1
17
33
49
65
81
97
113
145
161
177
193
Epoch
Gambar 5.4. Training Convolutional Neural Network
57
BAB 6 PENUTUP
6.1. KESIMPULAN
Berdasarkan rumusan masalah yang diajukan pada penelitian ini dapat ditarik
kesimpulan sebagai berikut :
1. Hasil akurasi yang didapatkan pada deteksi tanaman kenaf dari pengujian yang telah
dilakukan berbeda setiap skenario pengujian. Hasil akurasi deteksi terbaik yaitu 77.502%
dari skenario pengujian data dengan jumlah seragam tiap kelasnya dan menggunakan
pelabelan penuh 1 daun. Sedangkan untuk akurasi bounding box terbaik yaitu 96.74% dari
skenario pengujian dengan pembagian data 80%-20% dan menggunakan pelabelan per jari
daun.
2. Pengaruh dari perbedaan jumlah data tiap kelas yang digunakan saat pelatihan bisa
berpengaruh terhadap hasil akurasi. Dari skenario pengujian antara penggunaan data
seragam jumlahnya dengan data yang tidak seragam namun jumlah data yang digunakan
lebih banyak, rata-rata akurasi deteksi lebih baik yang memiliki jumlah data yang seragam
yaitu 64.886% dan yang tidak seragam jumlahnya namun jumlah data lebih banyak yaitu
63.725%.
3. Pengaruh dari pelabelan data terhadap data yang digunakan pelatihan juga dapat
mempengaruhi hasil akurasi deteksi dan akurasi bounding box. Akurasi deteksi untuk
pelabelan penuh rata-rata 70.831% dan pelabelan per jari rata-rata 57.78%. Namun untuk
akurasi bounding box rata-rata untuk pelabelan penuh 78.305% dan pelabelan per jari
95.62%. Jadi setiap deteksi yang diberikan pada data yang berlabel benar juga terdapat
bounding box dengan posisi yang tepat pula. Dan yang membuat akurasi deteksi rendah
bisa juga dikarenakan oleh perhitungan yang setiap jarinya harus terdeteksi. Padahal dari
beberapa gambar, ada yang tidak terdeteksi semua jarinya namun sudah cukup mewakili
deteksi kelasnya.
4. Pengaruh dari perbedaan jenis kamera untuk pengambilan gambar tidak terlalu terlihat
dan memberikan hasil akurasi yang kurang baik. Karena jumlah data ketika diambil per
jenis kamera menjadi sangat sedikit untuk pelatihannya sehingga banyak gambar yang
tidak terdeteksi dengan benar bahkan banyak pula gambar yang tidak terdeteksi sama
sekali.
5. Dari beberapa skenario yang diuji, nilai loss semakin menurun seiring bertambahnya
iterasi. Loss yang lebih rendah dimiliki oleh skenario-skenario yang berlabel penuh. Begitu
58
pula dengan nilai mAP dan recall yang lebih tinggi dimiliki oleh skenario-skenario berlabel
penuh. Untuk akurasi deteksi dan akurasi bounding box tertinggi dimiliki oleh skenario
dengan jumlah data yang seragam dan data yang digunakan diambil menggunakan 3 jenis
alat yaitu kamera handphone, pocket dan scanner. Perbedaan jenis alat pengambilan
gambar bisa menjadi variasi dalam pelatihan sehingga bisa mendeteksi data dari berbagai
kondisi pencahayaan. Maka dari itu, untuk pengoptimalan model yang telah diuji, perlu
ditambahkan jumlah data dan diseragamkan jumlahnya agar bisa mendapatkan hasil
akurasi yang lebih baik.
6.2. SARAN
Untuk meningkatkan hasil akurasi deteksi dan bounding box dapat menggunakan cara
pelabelan per jari dan meningkatkan jumlah iterasi. Data yang digunakan adalah data 80%-
20% namun jumlah data diperbanyak dan jumlah antar kelasnya tidak berbeda jauh atau sama
agar lebih seimbang dan dapat mendeteksi kelas dengan baik. Selain itu, sistem juga bisa
ditambahkan pengenalan daun kenaf atau bukan serta penambahan mekanisme
preprocessing agar mendapatkan nilai yang relative sama untuk input dari segala jenis kamera
yang digunakan. Sehingga untuk penelitian berikutnya dapat dilanjutkan dengan deteksi hama
dan penyakit tanaman kenaf secara real time tanpa background putih pada daun. Untuk hasil
optimal pada bounding box harus diperbaiki kembali pada proses non-max suppression nya.
59
DAFTAR PUSTAKA
Alamsyah, D., & Fachrurrozi, M. (2019). Faster R-CNN with Inception V2 for Fingertip Detection
in Homogenous Background Image. Journal of Physics : Conference Series, International
Conference on Information System, Computer Science and Engineering, 1196.
https://doi.org/10.1088/1742-6596/1196/1/012017
Anthonys, G., & Wickramarachchf, N. (2009). An Image Recognition System for Crop Disease
Identification of Paddy fields in Sri Lanka. In Fourth International Conference on Industrial
and Information Systems (pp. 403–407).
Chaudhari, K. G. (2018). Comparitive analysis of CNN models to diagnose Breast Cancer.
International Journal of Innovative Research in Science, 7(10), 8180–8187.
https://doi.org/http://dx.doi.org/10.2139/ssrn.3729056
Corporation, T. B. (2012). Toyota Boshoku Develops New Automobile Interior Parts Utilizing
Plant-based Kenaf Material. Retrieved from https://www.toyota-
boshoku.com/global/news/release/detail.php?id=1951
Dalai, R., & Senapati, K. K. (2017). Comparison of Various RCNN techniques for Classification
of Object from Image. International Research Journal of Engineering and Technology
(IRJET), 4(7), 3147–3150.
Dempsey, J. M. (1975). Fibre Crops. USA: The University Presses of Florida, Gainesville.
Ghoury, S., Sungur, C., & Durdu, A. (2019). Real-Time Diseases Detection of Grape and Grape
Leaves using Faster R-CNN and SSD MobileNet Architectures. In International Conference
on Advanced Technologies, Computer Engineering and Science (ICATCES 2019) (pp. 39–
44). Alanya, Turkey.
Girshick, R., Donahue, J., Darrell, T., Malik, J., & Berkeley, U. C. (2014). Rich feature hierarchies
for accurate object detection and semantic segmentation. IEEE Conference on Computer
Vision and Pattern Recognition (CVPR).
Grel, T. (2017). Region of Interest Pooling Explained.
Hassan, F., Zulkifli, R., Ghazali, M. J., & Azhari, C. H. (2017). Kenaf Fiber Composite in
Automotive Industry : An Overview, 7(1), 315–321.
Huda, A. H. N., Ramlah, M. T., Zakiah, A., Aisyah, G. S., & Suhaila, S. E. (2014). Reclamation of
Nutrient from Kenaf Retted Wastewater using Newly Designed Ultrafiltration Membrane.
In 5th Brunei International Conference on Engineering and Technology (pp. 1–6). Bandar
Seri Begawan, Brunei: IET. https://doi.org/10.1049/cp.2014.1063
Joshi, A. A., & Jadhav, B. D. (2016). Monitoring and Controlling Rice Diseases Using Image
60
Processing Techniques. In International Conference on Computing, Analytics and Security
Trends (pp. 471–476).
Karlita, T., Sunarya, I. M. G., Priambodo, J., Rokhana, R., Yuniarno, E. M., Purnama, I. K. E., &
Purnomo, M. H. (2019). Deteksi Region of Interest Tulang pada Citra B-mode secara
Otomatis Menggunakan Region Proposal Networks. Jurnal Nasional Teknik Elektro Dan
Teknologi Informasi, 8(1), 68–76.
Narkhede, S. (2018). Understanding Confusion Matrix. Retrieved from
https://towardsdatascience.com/understanding-confusion-matrix-a9ad42dcfd62
Pawar, P., Turkar, V., & Patil, P. (2016). Cucumber Disease Detection Using Artificial Neural
Network. International Conference on Inventive Computation Technologies (ICICT), 3, 1–
5.
Perkebunannews.com. (2019). Permasalahan Pengembangan Kenaf. Retrieved March 31,
2021, from https://mediaperkebunan.id/permasalahan-pengembangan-kenaf/
Phadikar, S., & Sil, J. (2008). Rice Disease Identification using Pattern Recognition Techniques.
In 11th International Conference on Computer and Information Technology (pp. 420–
423).
Phadikar, S., Sil, J., & Das, A. K. (2012). Classification of Rice Leaf Diseases Based on
Morphological Changes. International Journal of Information and Electronics Engineering,
2(3), 460–463.
Prasetya, R. P., & Bachtiar, F. A. (2017). Indonesian Food Items Labeling for Tourism
Information Using Convolution Neural Network. In Sustainable Information Engineering
and Technology.
Qayyum, R., Kamal, K., Zafar, T., & Mathavan, S. (2016). Wood Defects Classification Using
GLCM Based Features And PSO Trained Neural Network. In 22nd International
Conference on Automation and Computing (pp. 3–7).
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN : Towards Real-Time Object
Detection with Region Proposal Networks. Neural Information Processing Systems (NIPS),
1–14.
Shianto, K. A., Gunadi, K., & Setyati, E. (2019). Deteksi Jenis Mobil Menggunakan Metode YOLO
Dan Faster R-CNN. Jurnal Infra, 7(1). Retrieved from https://deepsense.ai/region-of-
interest-pooling-explained/
Singh, R. K., Dubey, S. R., & Srivastava, R. K. (2013). Status of Kenaf (Hibiscus Cannabinus L)
Diseases in the Districts of North Eastern Plain Zone of Uttar Pradesh. Global Journal of
61
Biology, Agriculture, and Health Sciences, 2(1), 72–73. https://doi.org/10.1094/PHP-
2007-0508-01-RS.Sellers
Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., & Stefanovic, D. (2016). Deep Neural
Networks Based Recognition of Plant Diseases by Leaf Image Classification.
Computational Intelligence and Neuroscience, 2016, 11.
https://doi.org/https://doi.org/10.1155/2016/3289801
Suartika, I. W., Wijaya, A. Y., & Soelaiman, R. (2016). Klasifikasi Citra Menggunakan
Convolutional Neural Network ( Cnn ) pada Caltech 101. Jurnal Teknik ITS, 5(1).
Sudjindro, Heliyanto, B., Purwati, R. D., & Marjani. (1999). Perbaikan Varietas Kenaf, Rosela,
dan Yute. Warta Litbang Tanaman Industri, 4(4), 2–4.
Sunarto, D. A., Soetopo, D., & Sujak. (2009). Hama Tanaman Kenaf dan Pengendaliannya. In
Kenaf (Hibiscus cannabicus L.( (pp. 69–92).
Swart, W. J., & Tesfaendrias, M. T. (2003). First report of Sclerotia rolfsii on Kenaf in South
Africa. Plant Disease APS Journal, 87, 874.
Szegedy, C., Vanhoucke, V., Loffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the Inception
Architecture for Computer Vision. Conference: Computer Vision and Pattern Recognition.
Wang, L., Scott, K. A., Xu, L., & Clausi, D. A. (2016). Sea Ice Concentration Estimation During
Melt From Dual-Pol SAR Scenes Using Deep Convolutional Neural Networks : A Case
Study. IEEE Transaction on Geoscience and Remote Sensing, 54(8), 1–10.
Wen, L., Li, X., Gao, L., & Zhang, Y. (2018). A New Convolutional Neural Network Based Data-
Driven Fault Diagnosis Method. IEEE Transactions on Industrial Electronics, 65(7), 5990–
5998. https://doi.org/10.1109/TIE.2017.2774777
Yulianti, T., & Supriyono. (2009). Penyakit Tanaman Kenaf dan Pengendaliannya. In Kenaf
(Hibiscus cannabicus L.( (pp. 93–106).
Zhang, F., & Noe, J. P. (1996). Damage Potential and Reproduction of Meloidogyne incognita
Race 3 and M . arenaria Race 1 on Kenaf. Supplement to Journal of Nematology, 28, 668–
675.
62
LAMPIRAN
1. Evaluasi Visual Data 80%-20% Label Penuh

Deteksi Hasil Sebenarnya Keluaran Sistem TP Bounding Box
Hawar Daun 1 Hawar Daun 1
Hawar Daun 0 Sehat 0
Hawar Daun ½ Hawar Daun dan ½

0 Tungau
Hawar Daun 0 Sehat 0
Hawar Daun 1/3 Hawar Daun, 0 1/3

Sundapteryx, dan
0 Tungau
63
Sehat 1 Sehat 1
Sehat 0 Tungau 0
Sehat 0 Tungau 0
Sehat 0 Tungau 0
Sehat 1 Sehat 1
64
Sundapteryx ½ Sundapteryx dan 0
0 Tungau
Sundapteryx 1 Sundapteryx 1

0 Tungau
65
Tungau 1 Tungau 1
Tungau 1 Tungau 0
Tungau 1 Tungau 0
Tungau 1 Tungau 1
Tungau 1 Tungau 1
66
2. Evaluasi Visual Data 80%-20% Label Per Jari
(Dari Kiri) (Dari Kiri)
1 Hawar Daun 1 Hawar Daun 1 Hawar Daun
1 Sehat 1 Sehat 3 Sehat

2 Sehat 2 Sehat
3 Hawar Daun 3 Sehat
4 Sehat 4 Sehat
1 Hawar Daun 1 Sundapteryx 4 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
1 Hawar Daun 1 Sehat 2 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
1 Hawar Daun 1 Tidak terdeteksi 2 Tungau

2 Tungau 2 Tungau
3 Tungau 3 Sundapteryx
4 Tungau 4 Tungau
5 Hawar Daun 5 Sundapteryx
67
2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
6 Sehat 6 Sehat
7 Sehat 7 Sehat
2 Sehat 2 Sehat
3 Sehat 3 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
1 Sehat 1 Tidak terdeteksi 4 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
6 Sehat 6 Sehat
7 Sehat 7 Sehat
68
1 Sundapteryx 1 Sundapteryx 6 Sundapteryx
2 Sundapteryx 2 Sundapteryx
4 Sundapteryx 4 Tidak terdeteksi
1 Sundapteryx 1 Tidak terdeteksi 2 Sundapteryx

69
1 Tungau 1 Tungau 5 Tungau
2 Tungau 2 Tungau
3 Tungau 3 Tungau
4 Tungau 4 Tungau
5 Tungau 5 Tungau

2 Tungau 2 Tungau
3 Tungau 3 Tungau
4 Tungau 4 Tungau
5 Tungau 5 Tungau
1 Tungau 1 Tidak terdeteksi 1 Tungau

3 Tungau 3 Tidak terdeteksi
4 Tungau 4 Tungau
4 Tungau 4 Tungau
5 Tungau 5 Tungau
6 Tungau 6 Tungau
70
7 Tungau 7 Tungau
2 Tungau 2 Tungau
3 Tungau 3 Tungau
4 Tungau 4 Tungau
3. Evaluasi Visual Data Seragam Label Penuh


0 Sehat
71
0 Sehat
Sehat 0 Hawar Daun dan 0

½ Sehat
Sehat 1 Sehat 1
Sehat 1 Sehat 0
72
Sehat 1 Sehat 1
Sehat 1/3 Sehat, 0 0

Tungau, dan 0
Hawar Daun

0 Tungau
Sundapteryx 1/3 Sundapteryx, 0 1/3

Sehat dan 0 Hawar
Daun
73

0 Tungau
Tungau 1 Tungau 1
Tungau 1 Tungau 0
Tungau 1/3 Tungau, 0 0

Sundapteryx, dan
0 Hawar Daun
74
Tungau 1 Tungau 1
Tungau 1 Tungau 1
4. Evaluasi Visual Data Seragam Label Per Jari

1 Hawar Daun ½ Hawar Daun dan ½ Hawar Daun
0 Sehat
75
2 Sehat 2 Sehat
3 Hawar Daun 3 Tidak terdeteksi
4 Sehat 4 Sehat
1 Hawar Daun 1 Tungau 4 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
1 Hawar Daun 1 Tidak terdeteksi 2 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
1 Hawar Daun 1 Tidak terdeteksi 3 Tungau

2 Tungau 2 Tungau
3 Tungau 3 Tungau
4 Tungau 4 Tungau
5 Hawar Daun 5 Tungau

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
6 Sehat 6 Sehat
7 Sehat 7 Sehat
76
2 Sehat 2 Sehat
3 Sehat 3 Sehat
1 Sehat 1 ½ Sehat dan 0 3 Sehat

2 Sehat Tungau
3 Sehat 2 Sehat
4 Sehat 3 Sehat
4 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
1 Sehat 1 Tidak terdeteksi 3.5 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
6 Sehat 6 Sehat
7 Sehat 7 ½ Sehat dan 0
Tungau
2 Sundapteryx 2 Tungau
77
1 Sundapteryx 1 Tidak terdeteksi 0
5 Sundapteryx 5 Sehat

78
2 Tungau 2 Tungau
3 Tungau 3 Tungau
4 Tungau 4 Tungau
5 Tungau 5 Tungau
1 Tungau 1 Tidak terdeteksi 3.5 Tungau

2 Tungau 2 Tungau
3 Tungau 3 Tungau
4 Tungau 4 Tungau
5 Tungau 5 ½ Tungau dan 0
Sundapteryx

2 Tungau 2 Tungau
4 Tungau 4 Tungau
5 Tungau 5 Tungau
6 Tungau 6 Tungau
7 Tungau 7 Tungau
4 Tungau 4 Tungau
5 Tungau 5 Tungau
6 Tungau 6 Tungau
7 Tungau 7 Tungau
2 Tungau 2 Tungau
3 Tungau 3 Tungau
4 Tungau 4 Tungau
5 Tungau 5 Tungau
79
5. Evaluasi Visual Data 80%-20% Label Penuh dari Kamera Handphone
Hawar Daun 0 Tidak terdeteksi 0
Hawar Daun ½ Hawar Daun dan 0

0 Sehat

0 Sehat

0 Sehat
80
Sehat 0 Hawar Daun dan 0
½ Sehat
Sehat 0 Tidak terdeteksi 0
Sehat 1 Sehat 1
81
Sundapteryx 0 Tidak terdeteksi 0
Sundapteryx 0 Sehat 0
82
Tungau 0 Tidak terdeteksi 0
83
6. Evaluasi Visual Data 80%-20% Label Per Jari dari Kamera Handphone
1 Hawar Daun 1 Tidak terdeteksi 0

2 Sehat 2 Sehat
3 Hawar Daun 3 0 Sehat dan 0
4 Sehat Tungau
5 Tidak terdeteksi
1 Hawar Daun 1 0 Sehat dan 0 3 Sehat

2 Sehat Tungau
3 Sehat 2 Sehat
4 Sehat 3 Sehat
5 Sehat 4 Sehat
5 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
84

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
6 Sehat 6 Tidak terdeteksi
1 Sehat 1 Tidak terdeteksi 0

3 Sehat 3 Tungau

4 Sehat 4 Sundapteryx
5 Sehat 5 Sundapteryx
85
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
6 Sehat 6 Sehat
7 Sehat 7 Sehat
1 Sundapteryx 1 Tidak terdeteksi ½ Sundapteryx
7 Sundapteryx 7 0 Tungau dan ½
Sundapteryx
2 Sundapteryx 2 Sundateryx
86
1 Tungau 1 Tidak terdeteksi 0

1 Tungau 1 Sehat 0
2 Tungau 2 Sehat
6 Tungau 6 Sehat
87
7 Tungau 7 Sehat
2 Tungau 2 Tungau
3 Tungau 3 Tungau
5 Tungau 5 Tungau
7. Evaluasi Visual Data 80%-20% Label Penuh dari Kamera Pocket

Hawar Daun 0 Sundapteryx 0
88
Sehat 0 Sundapteryx 0
89
Sehat 0 Sundapteryx 1
90
91
Tungau 0 Sundapteryx 0
8. Evaluasi Visual Data 80%-20% Label Per Jari dari Kamera Pocket
92
2 Sehat 2 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
5 Sehat 5 Sehat
1 Hawar Daun 1 Sehat 2 Sehat

2 Sehat 2 Sehat
3 Sehat 3 Sehat


2 Sehat 2 Sehat
3 Sehat 3 Sehat
4 Sehat 4 Sehat
93



2 Sehat 2 Tungau
3 Sehat 3 Sehat
94
1 Sundapteryx 1 Sehat 0

4 Sundapteryx 4 Tdak terdeteksi
95
2 Tungau 2 Tungau
3 Tungau 3 Tungau


2 Tungau 2 Tungau
6 Tungau 6 Tungau
1 Tungau 1 Sundapteryx 0
96
97

Jurnal 4 - Penyakit Tanaman (F-RCNN)

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Jurnal 4 - Penyakit Tanaman (F-RCNN)

Diunggah oleh

Hak Cipta:

Format Tersedia

DETEKSI HAMA DAN PENYAKIT PADA TANAMAN KENAF

BERDASARKAN DAUN MENGGUNAKAN METODE FASTER REGIONAL

Untuk memenuhi sebagian persyaratan

PROGRAM STUDI MAGISTER ILMU KOMPUTER

DETEKSI HAMA DAN PENYAKIT PADA TANAMAN KENAF BERDASARKAN DAUN

Diajukan untuk memenuhi sebagian persyaratan

Dosen Pembimbing I Dosen Pembimbing II

Achmad Basuki, S.T., M.MG., Ph.D.

Malang, 9 Juli 2021

PERNYATAAN ORISINALITAS TESIS ............................................................................................. 3

KATA PENGANTAR ...................................................................................................................... 4

DAFTAR ISI .................................................................................................................................. 7

DAFTAR TABEL .......................................................................................................................... 10

DAFTAR GAMBAR ..................................................................................................................... 11

BAB 1 PENDAHULUAN .............................................................................................................. 13

1.1. LATAR BELAKANG....................................................................................................... 13

1.2. RUMUSAN MASALAH ................................................................................................. 15

1.3. TUJUAN ...................................................................................................................... 15

1.4. MANFAAT ................................................................................................................... 16

1.5. BATASAN MASALAH ................................................................................................... 16

1.6. SISTEMATIKA PENULISAN .......................................................................................... 17

BAB 2 LANDASAN KEPUSTAKAAN ............................................................................................. 18

2.1. TANAMAN KENAF ...................................................................................................... 18

2.2. PENELITIAN TERKAIT .................................................................................................. 22

2.2.1. Deteksi Penyakit Tanaman menggunakan Metode Nearest Neighbor

2.2.2. Deteksi Penyakit Tanaman menggunakan Metode Minimum Distance Classifier

2.3. METODE CONVOLUTIONAL NEURAL NETWORK (CNN) ............................................. 24

2.3.1. Arsitektur Convolutional Neural Network .......................................................... 25

2.4. METODE FASTER REGION BASED CONVOLUTIONAL NEURAL NETWORK (FASTER

2.5. REGION PROPOSAL NETWORK (RPN)........................................................................ 31

2.6. REGION OF INTEREST (ROI) POOLING ........................................................................ 33

2.7. CONFUSION MATRIX .................................................................................................. 33

BAB 3 METODOLOGI PENELITIAN ............................................................................................. 35

3.1. METODE PENELITIAN ................................................................................................. 35

3.2. STUDI LITERATUR ....................................................................................................... 35

3.3. TEKNIK PENGUMPULAN DATA ................................................................................... 35

3.4. PENGOLAHAN DATA GAMBAR................................................................................... 36

3.5. SKENARIO PENGUJIAN ............................................................................................... 38

BAB 4 PERANCANGAN DAN IMPLEMENTASI ............................................................................ 39

3.1. Input Citra Daun Kenaf ............................................................................................... 39

3.2. Preprocessing ............................................................................................................. 40

3.3. Training ...................................................................................................................... 42

BAB 5 PENGUJIAN DAN ANALISA .............................................................................................. 48

5.1. Pengujian Pembagian Jumlah Data Training dan Testing.......................................... 48

5.1.1. Data untuk Train 80% dan Test 20%................................................................... 49

5.1.3. Data diambil menggunakan Kamera HP dan Pocket .......................................... 52

5.2. Perbandingan Nilai ..................................................................................................... 55

BAB 6 PENUTUP ........................................................................................................................ 58

6.1. KESIMPULAN .............................................................................................................. 58

DAFTAR PUSTAKA ..................................................................................................................... 60

1. Evaluasi Visual Data 80%-20% Label Penuh .................................................................. 63

2. Evaluasi Visual Data 80%-20% Label Per Jari ................................................................. 67

3. Evaluasi Visual Data Seragam Label Penuh ................................................................... 71

4. Evaluasi Visual Data Seragam Label Per Jari .................................................................. 75

Tabel 2.1. Penyakit tanaman kenaf .......................................................................................... 20

Tabel 2.2. Hama tanaman kenaf............................................................................................... 21

Tabel 5.1. Skenario Pengujian .................................................................................................. 48

Tabel 5.2. Hasil Evaluasi Visual Data 80%-20%......................................................................... 50

Tabel 5.4. Berbagai jenis hasil keluaran ................................................................................... 54

Gambar 2.1. Serat Kenaf........................................................................................................... 18

Gambar 2.2. Door Trim ............................................................................................................. 18

Gambar 2.4. (a)Hawar Daun, (b)Sundapteryx, dan (c)Tungau ................................................. 22