Implementasi Metode Convolutional Neural Network Untuk Klasifikasi

Daun Seledri dan Daun Pepaya Pada Citra Resolusi Tinggi

Implementation of Convotional Neural Network Method for Classfication of Celery Leaves
and Papaya Leaves on High-Resolution Images

Hanifah Santoso1, Sakinah Aulia Rahmah Putri Adnan2

1
Informatika, Teknik, Universitas Muhammadiyah Malang
2
Informatika, Teknik, Universitas Muhammadiyah Malang

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.

Studi ini membahas penerapan CNN (Convolutional Neural Network) untuk

mengidentifikasi jenis daun herbal yaitu daun seledri dan daun pepaya pada citra resolusi
tinggi. Berdasarkan penelitian sebelumnya, metode yang digunakan untuk identifikasi jenis
tumbuhan berdasarkan citra daun adalah dengan menggunakan metode arsitektur Alexnet.
Akurasi yang diperoleh dari hasil klasifikasi mencapai akurasi 85% dan pada akurasi
identifikasi mendapatkan 90% dari 40 citra yang diuji [Indra Rizky Ramadhani].

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.

Gambar 1. Sistem Identifkasi CNN

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.

C. Arsitektur Convolutional Neutral Network

Convolutional Neural Network merupakan salah satu jenis deep learning yang diterapkan khusus untuk
data yang berbentuk visual, citra, atau gambar. Pada Tabel 1 terdapat kumpulan layer yang akan
dilewati gambar pada proses training dengan inputan gambar 120 x 120 x 3 channel RGB. Kemudian
menggunakan kernel 3 x 3 dan filter 64 layer untuk menkovulusi layer pertama dengan ReLU
activation. Hal itu bertujuan untuk mendapatkan node tertinggi yang akan diteruskan pada konvolusi
selanjutnya. Dari hasil konvolusi 1 yaitu 120 x 120 x 64 layer dan jumlah parameter yang dihasilkan
yaitu 1792 parameter. Setelah konvolusi 1 selesai, dilanjutkan dengan average pooling layer 1
menggunakan filter 64 layer dengan output shape yang dihasilkan pada pooling layer adalah 20 x 20
piksel. Kemudian lanjut ke konvolusi 2 menggunakan filter 128 layer menghasilkan 73.856 parameter.
Lalu average pooling layer 2, pada tahap ini menggunakan filter 128 layer menghasilkan output shape
4 x 4 pixel. Konvolusi ini berlanjut hingga lapisan konvolusi 4 dan lapisan pooling 4 dengan ouput dan
parameter yang tertera pada tabel. Selanjutnya akan dibahas tahap setelah global average yaitu tahap
flatten, dropout, dan dense. Setelah tahap lapisan konvolusi dan lapisan pooling akan terbentuk yang
namanya layer atau lapisan flatten. Flatten layer berfungsi mengkonversi hasil dari pooling layer
terakhir diubah menjadi nilai vektor. Tahap flatten layer memperoleh hasil 0. Hasil flatten dimasukkan
satu persatu kedalam dense dengan total 1030, 1030, dan 1 unit untuk 2 klasifikasi. Sehingga, jumlah
keseluruhan 2.288.567 parameter.

Tabel 1. Arsitektur Convolutional Neutral Network

Layer Type Output Shape Parameter

conv2d Conv2D (None, 120, 120, 64) 1.792

average_pooling2d AveragePooling2D (None, 20, 20, 64) 0

conv2d_1 Conv2D (None, 20, 20, 128) 73.856

average_pooling2d_1 AveragePooling2D (None, 4, 4, 128) 0

conv2d_2 Conv2D (None, 4, 4, 256) 295.168

average_pooling2d_2 AveragePooling2D (None, 1, 1, 256) 0

conv2d_3 Conv2D (None, 1, 1, 256) 590.080

average_pooling2d_3 AveragePooling2D (None, 1, 1, 256) 0

global_average_pooling2 GlobalAveragePooling2
(None, 256) 0
d D

flatten Flatten (None, 256) 0

dropout Dropout (None, 256) 0

dense Dense (None, 1030) 264.710

dropout_1 Dropout (None, 1030) 0

dense_1 Dense (None, 1030) 1.061.930

dropout_2 Dropout (None, 1030) 0

4
 Hanifah Santoso, Sakinah Aulia Rahmah Putri Adnan

dense_2 Dense (None, 1) 1.031

Total Parameter 2.288.567

Trainable Parameter 2.288.567

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.

3. Hasil dan Pembahasan

4. Preprocessing
Gambar asli akan dilakukan proses resize dari ukuran aslinya menjadi 120 x 120 pixel. Hal inilah yang
menjadi tahap dari preprocessing.

5. Training dan Validasi

Gambar 2. Hasil dari training dan validasi

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.

7. Hasil Perhitungan Akurasi

Perhitungan akurasi dilakukan untuk memeriksa keberhasilan model CNN pada penelitian. Dengan
perhitungan akurasi juga dapat sebagai pedoman dalam membandingkan dan mengembangkan model
CNN yang akan dibuat di penelitian selanjutnya. Pada penelitian ini menghasilkan precision sebesar
0.90, flscore sebesar 0.89, dan untuk hasil akurasinya sendiri sebesar 0,89 atau 89%.

4. Kesimpulan

Daftar Rujukan