Abstract
Keywords : Classification, Convolutional Neural Network, Celery Leaf, Papaya Leaf, Image
Recognition
Abstrak
Kata kunci : Klasifikasi, Convolutional Neural Network, Daun Seledri, Daun Pepaya, Pengenalan
Citra
1. Pendahuluan
Indonesia terkenal kaya akan sumber bahan obat tradisional dan obat alam yang
dimanfaatkan oleh sebagian besar masyarakatnya secara turun-temurun []. Sumber bahan
obat-obatan tradisional dan obat alami didapatkan dari tumbuhan herbal yang diketahui
mengandung senyawa tertentu yang bermanfaat bagi kesehatan. Kandungan senyawa pada
tumbuhan herbal terdapat pada organ tubuh tumbuhan, salah satunya daun. Daun dengan
manfaat dan khasiat yang besar diantaranya adalah daun seledri dan daun pepaya.
Berdasarkan pengamatan, terdapat bentuk morfologi daun, warna daun, dan tekstur daun.
Selain itu, terdapat karakter daun, yang meliputi pinggiran daun, ujung daun, pangkal daun,
permukaan daun, dan tipe daun. Hal tersebut dapat digunakan untuk mengukur daun sebagai
data kuantitatif. Dengan adanya data kuantitatif dapat dimanfaatkan untuk identifikasi jenis
tanaman herbal.
Pesatnya perkembangan teknologi tidak dapat dipungkiri di era digital ini. Selain komputer
yang dibutuhkan untuk membantu orang mengerjakan tugasnya dengan lebih cepat, saat ini
sudah banyak software yang mampu meniru kecerdasan manusia (kecerdasan buatan).
Kecerdasan buatan (artificial intelligence) merupakan pemrograman komputer yang dapat
menjalankan perintah atau aplikasi yang dapat melakukan sesuatu yang dianggap cerdas oleh
manusia. Seiring berkembangnya kecerdasaan buatan, diharapkan mampu meniru pola kerja
1
Hanifah Santoso, Sakinah Aulia Rahmah Putri Adnan
otak manusia seperti berfikir dan belajar. Nantinya, dapat diasumsikan menjadi salah satu
alternatif dalam mengidentifikasi jenis tumbuhan.
Salah satu masalah dalam visi komputer yang sudah lama dicari solusinya adalah
klasifikasi objek pada citra secara umum. Cara menduplikasi kemampuan manusia untuk
memahami informasi citra agar dapat mengenali objek pada citra layaknya manusia. Proses
feature engineering yang digunakan pada umumnya sangat terbatas, karena hanya dapat
diterapkan ke kumpulan data tertentu, tanpa kemampuan menggeneralisasi ke jenis citra
apapun. Hal ini disebabkan oleh berbagai perbedaan citra, antara lain perbedaan sudut
pandang, perbedaan skala, perbedaan kondisi pencahayaan, deformasi objek, dan sebagainya.
Pada sistem ini peneliti ingin memprogram untuk mendeteksi objek citra daun seledri dan
daun pepaya dengan resolusi tinggi berdasarkan metode convolutional neural network.
Sehingga nantinya berguna untuk penelitian selanjutnya dengan objek citra daun herbal
lainnya, dimana kebanyakan orang tidak mengetahui jenis-jenis daun herbal karena
keterbatasan manusia dalam membedakan jenis tanaman dikarenakan terdapat beberapa ciri
daun yang mirip dan hampir sama ekstra bentuk maupun warna, sehingga sulit bagi orang
untuk mengenal.
Dataset yang digunakan dalam penelitian ini diambil dari penelitian sebelumnya
[mendeley data] yang dipublikasikan dalam Indonesian Herb Leaf Dataset 3500 on Mendeley
Data pada bulan Januari 2022. Data yang ada sebanyak 3500 citra dengan 10 genus. Namun
pada penelitian ini dataset yang digunakan diambil dari 2 genus yaitu daun seledri dan daun
pepaya sebanyak 700 citra dengan resolusi tinggi. Arsitektur CNN yang digunakan adalah
Dense Net.
Pada penelitian ini Model arsitektur CNN yang digunakan dalam penelitian ini adalah
Dense Net, dimana ukuran citra inputan adalah 224×224. Diharapkan arsitektur CNN
sederhana dapat melakukan identifikasi jenis tumbuhan herbal daun seledri dan daun pepaya
2
Hanifah Santoso, Sakinah Aulia Rahmah Putri Adnan
dengan mendapatkan akurasi yang tinggi, serta dengan proses pelatihan model yang cepat
dibanding peneliti sebelumnya.
2. Metode Penelitian
Studi mengenai langkah-langkah atau prosedur untuk mendapatkan ilmu secara mendalam dan penuh dengan
kehati-hatian dari segala fakta. Metode penelitian juga merupakan petunjuk atau pedoman saat melakukan
penelitian. Dengan hal ini, penelitian akan dengan mudah mencapai tujuan dan tidak menyimpang dari jalur yang
ditentukan. Penelitian ini menggunakan metode Convolutional Neutral Network (CNN). Perancangan arsitektur
CNN menggunakan tools google yang membantu user dalam pemrograman dan pengolahan data yaitu google
collaboratary dengan bahasa pemrograman phyton. Dataset yang digunakan mencakup citra daun seledri dan
daun pepaya yang akan diproses dengan hasil yang menampilkan identitas daun tersebut. Langkah-langkah yang
akan dilakukan dalam proses pembuatan sistem identifikasi CNN dapat dilihat pada Gambar.1.
A. Dataset
Penelitian ini menggunakan dua dataset daun herbal dari sumber yang sama. Sumber didapat dari
mendeley data, diambil 2 kelas daun herbal untuk dijadikan bahan penelitian dataset. Dataset diunggah
ke google drive sebagai tempat penyimpanan pada google colaboratary.
B. Preprocessing
3
Hanifah Santoso, Sakinah Aulia Rahmah Putri Adnan
Tahap ini bertujuan untuk memperkcil tiap citra atau gambar mejadi ukuran yang ditentukan agar sama
dengan gambar yang lainnya dan dapat dengan mudah diidentifkasi. Tahap ini juga mempersingkat
proses training untuk mencapai tingkat akurasi yang maksimal.
global_average_pooling2 GlobalAveragePooling2
(None, 256) 0
d D
4
Hanifah Santoso, Sakinah Aulia Rahmah Putri Adnan
Non-Trainable Parameter 0
D. Training
Training bertujuan mengenalkan model Convolutional Neutral Network (CNN) yang telah dibuat
sehingga dapat membedakan dan mengenali gambar atau citra daun herbal telah diklasifikasikan
sebelumya. Total data training sebanyak 700 gambar daun herbal yang terdiri dari dua klasifikasi yaitu
daun seledri dan daun pepaya. Proses pada tahap ini dilakukan sebanyak 100 epoch.
E. Validasi
Pada tahap ini terdiri dari label yang sama seperti training. Proses ini dilaksanakan untuk menguji
kevaliditasan atau kebenaran data yang diolah. Data-data validasi dapat mencegah atau mengurangi
terjadinya overfitting. Overfitting sendiri merupakan keadaan dimana data yang digunakan untuk
pelatihan adalah yang “terbaik” sehingga saat dilakuakan tes dengan data yang berbeda maka dapat
mengurangi hasil akurasinya.
F. Testing
Testing merupakan tahap penting yang harus dilakukan setelah tahap validasi. Kegiatan ini dilakukan
untuk membuktikan keakuratan dari model CNN dari penelitian ini. Ada sebanyak 700 citra daun herbal
yang digunakan pada tahp testing.
Gambar 2 menampilkan grafik performa hasil akurasi dan loss dari arsitektur CNN. Dimana simbol titik
biru menandakan data training dan garis biru menandakan data validation. Hasil klasifikasi
menunjukkan bahwa model arsitektur yang digunakan mengalami overfitting seperti yang ditampilkan
gambar 2. Terlihat bahwa akurasi untuk data training memiliki perbedaan yang besar dengan data
validation. Hasil dari penelitian ini jelas bahwa menggunakan arsitektur CNN yang sederhana
menghasilkan performa model klasifikasi yang tidak baik.
5
Hanifah Santoso, Sakinah Aulia Rahmah Putri Adnan
6. Testing
Proses testing pada penelitian ini digunkana untuk memperoleh kinerja dari model CNN yang
dihasilkan dari proses training dan validasi. Sebanyak 700 citra daun herbal diproses dengan confusion
matrix. Proses ini dapat terlihat pada gambar 3. Pada gambar tersebut memperlihatkan bahwwa kolom
diagonal ialah kelas yang diprediksii dengan benar oleh model serta kolom yang berada diluar diagonal
merupakan hasil dari kelas yang diprediksi salah oleh model.
Gambar 3. Hasil testing confusion matrix
Pada gambar 3 diketahui bahwa hasil testing data pertama, sebanyak 345 citra benar dan masuk ke kelas
pepaya dan 5 citra masuk ke kelas yang salah. Data kedua, sebanyak 278 citra masuk ke kelas seledri
dan 72 citra masuk ke kelas yang salah. Sebanyak 700 citra daun herbal, diketahui 623 citar masuk ke
kelas yang benar dan 77 citra masuk ke kelas yang salah.
4. Kesimpulan
Daftar Rujukan