DAFTAR ISI.......................................................................................................................................... i
DAFTAR GAMBAR ............................................................................................................................. i
DAFTAR TABEL .................................................................................................................................. i
BAB I ................................................................................................................................................... 1
1.1. Latar Belakang ...................................................................................................................... 1
1.2. Rumusan Masalah ................................................................................................................. 2
1.3. Tujuan ................................................................................................................................... 2
1.4. Manfaat ................................................................................................................................. 2
BAB II .................................................................................................................................................. 3
2.1. Image Processing .................................................................................................................. 3
2.2. Machine Learning ................................................................................................................. 3
2.3. Convolutional Neural Network ............................................................................................. 4
2.4. Confusion Matrix .................................................................................................................. 5
BAB III ................................................................................................................................................. 7
2.1. Studi Literatur dan Pengumpulan Data ................................................................................. 7
3.2. Tahapan Penelitian ................................................................................................................... 7
2.3. Kebutuhan Penelitan ............................................................................................................. 9
BAB IV............................................................................................................................................... 10
4.1. Rekapitulasi Anggaran Biaya .............................................................................................. 10
4.2. Jadwal Kegiatan .................................................................................................................. 10
DAFTAR PUSTAKA.......................................................................................................................... 11
LAMPIRAN ....................................................................................................................................... 12
DAFTAR GAMBAR
DAFTAR TABEL
i
BAB I
PENDAHULUAN
1
ada di Indonesia khususnya di Kota Pagaralam dengan memaksimalkan proses pertanian
dalam memenuhi kebutuhan ekspor komoditas sawi hijau di Indonesia.
Pada penelitian ini, kami memanfaatkan pengolahan citra untuk mendapatkan
perbedaan sekilas pada daun sawi, dari hasil pengolahan citra yang dilakukan akan
diterapkan algoritma deep learning untuk mendapatkan model yang mampu
menghasilkan prediksi hama atau tidaknya daun sawi yang nantinya akan di evaluasi
menggunakan metode MAPE(Mean Absolute Percentage Error).
1.2. Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan di atas, Penulis merumuskan
beberapa permasalahan yang akan dikaji dalam penelitian ini sebagai berikut:
1. Bagaimana cara menerapkan algoritma CNN dalam pengklasifikasian data citra
hama sawi hijau?
2. Manakah arsitektur CNN yang memiliki performa tertinggi?
1.3. Tujuan
Adapun tujuan penelitian ini adalah untuk:
1. Menerapkan algoritma CNN dalam pengklasifikasian data citra hama sawi hijau.
2. Mengetahui arsitektur yang memiliki performa tertinggi.
1.4. Manfaat
Penelitian pertanian presisi ini diharapkan dapat memberikan pedoman bagi para
petani, khususnya petani sawi hijau, untuk mengendalikan pemberian pestisida pada
tanaman. Dengan demikian, para petani dapat mengatur kadar dan jumlah pestisida yang
tepat untuk diberikan agar tanaman tetap sehat dan berkualitas namun juga ramah
lingkungan. Penerapan pertanian presisi ini juga diharapkan dapat meningkatkan
efisiensi biaya produksi bagi petani karena penggunaan input produksi seperti pupuk dan
pestisida dapat dioptimalkan.
2
BAB II
TINJAUAN PUSTAKA
3
Overfitting adalah perilaku pembelajaran mesin yang tidak diinginkan yang terjadi
ketika model pembelajaran mesin memberikan prediksi akurat untuk data pelatihan tetapi
tidak untuk data baru(ibm.com, 2022), di mana kemampuannya untuk memperkirakan
banyak fitur atau cocok dengan data pelatihan terlalu tinggi. Overfitting menyebabkan
performa yang baik hanya pada data latih, namun performa yang buruk pada data uji
(Ying, 2019). Salah satu solusi yang dapat diterapkan untuk mengatasi overfitting adalah
dengan memperbanyak data atau menggunakan augmentasi data pada data yang sudah
ada (Mikołajczyk & Grochowski, 2018).
Underfitting adalah tipe kesalahan lainnya yang terjadi saat model tidak dapat
menentukan hubungan berarti antara data input dan output. Anda mendapatkan model
underfit jika model tersebut belum dilatih selama durasi yang tepat di banyak titik data..
Hal ini menghasilkan tingkat kesalahan yang tinggi baik pada set data pelatihan maupun
data yang tidak terlihat. Underfitting terjadi ketika model terlalu sederhana, yang bisa
disebabkan oleh kurangnya waktu pelatihan, kurangnya fitur input, atau kurangnya
regularisasi. (ibm.com, 2022).
2.3. Convolutional Neural Network
Convolutional Neural Network (CNN) termasuk dalam kelas deep feed-forward
artificial neural networks dan terinspirasi oleh organisasi visual cortex pada binatang.
Struktur CNN, dengan lapisan-lapisan seperti convolutional layers, polling layers,
normalization layers, ReLU layer, fully connected layers, dan loss layer, banyak
diaplikasikan dalam analisis citra (Alom et al., 2018).
Dalam pembuatan model, kita dapat membuatnya dari awal atau memanfaatkan
model yang sudah ada, termasuk menggunakan transfer learning. Tahapannya
melibatkan pra-proses data, pembagian data menjadi train dan validation, serta
augmentasi data, khususnya pada gambar dan video untuk CNN. Pengujian model dapat
dilewati, dan setelah desain selesai, langkah berikutnya adalah pembuatan model dan
analisis menggunakan confusion matrix untuk evaluasi performa (Alom et al., 2018).
Struktur CNN melibatkan satu lapisan masukan, satu lapisan keluaran, dan
sejumlah lapisan tersembunyi. Lapisan tersembunyi mencakup convolutional layers,
polling layers, normalization layers, ReLU layer, fully connected layers, dan loss layer
yang diatur secara bertumpuk-tumpuk. Analogi struktur CNN dapat dibandingkan
dengan susunan lapisan pada sebuah sandwich, mencakup berbagai komponen seperti
bagian bawah, sayuran, daging, keju, saus tomat, mayonnaise, saus sambal, dan roti
bagian atas (Alom et al., 2018).
CNN mengadopsi struktur tiga dimensi, melibatkan lebar (width), tinggi (height),
dan kedalaman (depth), sebagaimana tergambar pada Gambar 3 Setiap lapisan CNN
melakukan transformasi terhadap volume masukan tiga dimensi (3D input volume)
menjadi volume keluaran tiga dimensi yang berisi aktivasi-aktivasi sel saraf (3D output
volume of neuron activations). Dalam gambar tersebut, masukan berupa citra berwarna,
dengan lebar dan tinggi mencerminkan dimensi citra, sedangkan kedalamannya (depth)
adalah 3, mencakup kanal Red, Green, dan Blue (RGB) (Suyanto et al., 2019).
Secara teknis, CNN adalah sebuah arsitektur yang dapat dilatih dan terdiri dari
beberapa tahap. Masukan (input) dan keluaran (output) dari setiap tahap adalah terdiri
dari beberapa array yang biasa disebut feature map. Setiap tahap terdiri dari tiga layer
yaitu konvolusi, fungsi aktivasi layer dan pooling layer. Gambar berikut ini adalah
jaringan arsitektur Convolutional Neural Network (Triano Nurhikmat, 2018) :
4
Gambar 2. Arsitektur CNN
Sumber : E-Book Pengenalan Mesin dan Deep Learning
5
Selain menghitung nilai akurasi, diperlukan pula perhitungan presisi prediksi
dimana presisi menunjukkan seberapa besar kemungkinan suatu model memprediksi
kejadian positif dengan benar yang mana dalam penelitian ini presisi penting untuk
dipertimbangkan dalam pengembangan model prediksi hujan di suatu daerah. Untuk
mengukur tingkat ketepatan prediksi (presisi prediksi) kejadian dapat digunakan
persamaan berikut.
𝑇𝑃
𝑝𝑟𝑒𝑠𝑖𝑠𝑖 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 =
𝑇𝑃 + 𝐹𝑃
Di sisi lain, sensitivitas prediksi atau recall juga perlu diperhitungkan. Recall
adalah ukuran kinerja model klasifikasi yang mengukur seberapa baik model
memprediksi kejadian positif yang sebenarnya positif. Recall dihitung dengan
menggunakan persamaan berikut.
𝑇𝑃
𝑟𝑒𝑐𝑎𝑙𝑙 =
𝑇𝑃 + 𝐹𝑁
Setelah didapatkan nilai presisi dan recall maka dapat digabungkan kedua nilai
tersebut yang kemudian akan disebut dengan F1-Score. F1-Score dihitung dengan
menggunakan persamaan berikut.
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙
𝐹1 − 𝑆𝑐𝑜𝑟𝑒 = 2 ×
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 × 𝑟𝑒𝑐𝑎𝑙𝑙
Nilai F1-Score yang ideal adalah 1.0, sedangkan nilai terburuknya adalah 0. Jika
nilai F1-Score kita tinggi, maka model klasifikasi kita memiliki presisi dan recall yang
tinggi.
6
BAB III
TAHAP PELAKSANAAN
Proses brainstorming konsep kerja dan desain alat dilakukan melalui kajian
literatur yang dilakukan dengan berdiskusi dengan orang yang ahli pada bidangnya baik
itu dosen atau profesional.//Pengumpulan data
Data yang kami dapatkan untuk penelitian ini merupakan data dari peneliti
sebelumnya yang di tambahkan dengan data baru yang di kumpulkan pada kebun sawi
Jirifarm (Jl. Alun Alun No.I No.58, Curug Kulon, Kec. Curug, Kabupaten Tangerang,
Banten 15810) dan dataset dari peneliti sebelumnya berasal dari kaggle dengan tautan :
https://www.kaggle.com/datasets/cendekialuthfietanz/caisim.
3.2 Tahapan Penelitian
Tahapan dari penelitian ini menggunakan alur kerja sebagai berikut :
7
serta memberikan peringatan dini dalam mengidentifikasi serangan hama pada
tanaman. Rincian fase pemahaman masalah telah diuraikan secara lengkap
dalam latar belakang dan tujuan penelitian ini.
2. Data Understanding/Pemahaman Data
Pada fase pengumpulan dataset, dilakukan analisis mendalam terhadap
data guna memahami karakteristik dataset yang akan digunakan. Tahap ini
bertujuan untuk mengidentifikasi potensi masalah yang terkait dengan kualitas
data. Dalam penelitian ini, dataset yang digunakan untuk penelitian ini
menggunakan data dari peneliti terdahulu dan di tambahkan data baru yang di
dapatkan secara mandiri.
3. Data Preparation/Persiapan Data
Fase ini mengutamakan persiapan pada data yang sudah di kumpulkan
sebelumnya dengan memastikan semua data menjadi 1 format yang sama,
yaitu .png, tahap ini juga memastikan tidak ada data citra yang rusak / tidak
bisa dibaca.
4. Data Preprocessing/Praproses Data
Tahap ini sering disebut sebagai tahap yang padat karya. Aktivitas yang
dilakukan antara lain pengumpulan atau “importing” data, Augmentasi data,
dan data.
5. Modelling/Pemodelan
Langkah menetapkan teknik deep learning yang akan digunakan
melibatkan pemilihan tools, teknik, algoritma, dan penentuan hyperparameter
yang paling sesuai untuk mencapai tingkat akurasi optimal. Pendekatan yang
diterapkan adalah metode klasifikasi dalam deep learning, khususnya
menggunakan algoritma CNN. Dilakukan tiga percobaan dengan tiga model
arsitektur yang berbeda, arsitektur CNN dengan penambahan model Xception,
arsitektur CNN dengan penambahan model VGG19, dan arsitektur CNN
dengan penambahan model InceptionNet.
6. Evaluation/Evaluasi
Pada tahap interpretasi terhadap hasil deep learning, analisis dilakukan
terhadap output dari proses pemodelan pada langkah sebelumnya. Evaluasi
dilaksanakan secara menyeluruh dengan tujuan menyelaraskan model yang
8
dihasilkan agar sesuai dengan tujuan yang telah ditetapkan pada tahap awal.
Hasil implementasi dari evaluasi dalam penelitian ini memanfaatkan Confusion
Matrix dan MAPE(Mean Absolute Percentage Error), yang digunakan sebagai
referensi untuk menilai sejauh mana kinerja suatu model klasifikasi dengan
memperhatikan parameter pengukuran performanya. Berikut adalah gambaran
tahapan evaluation.
9
BAB IV
BIAYA DAN JADWAL KEGIATAN
4.1. Rekapitulasi Anggaran Biaya
Adapun anggaran biaya program ini adalah sebagai berikut :
Tabel 2. Rancangan Anggaran Biaya
Jenis Besaran Dana
No Sumber Dana
Pengeluaran (Rp)
Belmawa 0
Bahan habis
1 Perguruan Tinggi 1.300.000
pakai
Instansi Lain (jika ada) 0
Belmawa 0
2 Sewa dan Jasa Perguruan Tinggi 2.048.000
Instansi Lain (jika ada) 0
Belmawa 0
Transportasi
3 Perguruan Tinggi 1.000.000
Lokal
Instansi Lain (jika ada) 0
Belmawa 0
Perguruan Tinggi 1.700.000
Instansi Lain (jika ada) 0
Jumlah 6.048.000
Belmawa 0
Perguruan Tinggi 6.048.000
Rekap Sumber Dana
Instansi Lain (jika ada) 0
Jumlah 6.048.000
10
DAFTAR PUSTAKA
Amilia, E., Joy, B., & Sunardi, S. (2016). Residu Pestisida pada Tanaman Hortikultura (Studi
Kasus di Desa Cihanjuang Rahayu Kecamatan Parongpong Kabupaten Bandung Barat).
Agrikultura, 27(1), 23–29. https://doi.org/10.24198/agrikultura.v27i1.8473
Ayu, T., Dwi, V., & Minarno, A. E. (2021). Pendiagnosa Daun Mangga Dengan Model
Convolutional Neural Network. CESS (Journal of Computer Engineering, System and
Science), 6(2), 230. https://doi.org/10.24114/cess.v6i2.22857
Azath, M., Zekiwos, M., & Bruck, A. (2021). Deep Learning-Based Image Processing for
Cotton Leaf Disease and Pest Diagnosis. Journal of Electrical and Computer Engineering,
2021. https://doi.org/10.1155/2021/9981437
Badan Litbang Pertanian, K. (2010). Budidaya Tanaman Sawi. In I. P. Irwan Kasup (Ed.),
Budidaya Tanaman Sawi (p. 2). Kementrian Pertanian.
http://ppid.pertanian.go.id/doc/1/Budidaya Tanaman Sawi.pdf
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions.
Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition,
CVPR 2017, 2017-Janua, 1800–1807. https://doi.org/10.1109/CVPR.2017.195
Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis.
Computers and Electronics in Agriculture, 145(September 2017), 311–318.
https://doi.org/10.1016/j.compag.2018.01.009
IBM. Underfitting. 2022. https://www.ibm.com/topics/underfitting
IBM. Overfitting. 2022. https://www.ibm.com/topics/overfitting
IEEE Access. Scalable Deep Learing. 2023 https://ieeeaccess.ieee.org/closed-special-
sections/scalable-deep-learning-for-big-data/
Mikołajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning
in image classification problem. 2018 International Interdisciplinary PhD Workshop,
IIPhDW 2018, May, 117–122. https://doi.org/10.1109/IIPHDW.2018.8388338
Nixon, M. S., & S.Aguado, A. (2019). Feature Extraction and Image Processing for Computer
Vision (T. Pitts (ed.); Fouth Edit). Mara Corner.
https://books.google.co.id/books?hl=en&lr=&id=KcWDwAAQBAJ&oi=fnd&pg=PP1
&dq=image+processing&ots=10lF_tWx2N&sig=mGvjf_grjj1M7eOHNEYTBmouBH8
&redir_esc=y#v=onepage&q=imageprocessing&f=false
Towards Data Science. The Difference Between AI, ML, and DL. 2023
https://towardsdatascience.com/understanding-the-difference-between-ai-ml-and-dl-
cceb63252a6c
V7 Labs. Overfitting vs Underfitting. 2022. https://www.v7labs.com/blog/overfitting-vs-
underfitting
Ying, X. (2019). An Overview of Overfitting and its Solutions. Journal of Physics: Conference
Series, 1168(2). https://doi.org/10.1088/1742-6596/1168/2/022022
Yuliani, E., Aini, A. N., & Khasanah, C. U. (2019). Perbandingan Jumlah Epoch Dan Steps Per
Epoch Pada Convolutional Neural Network Untuk Meningkatkan Akurasi Dalam
Klasifikasi Gambar. Jurnal Bimbingan Dan Konseling (E-Journal), 07(1), 53–60.
11
LAMPIRAN
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya
buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan SRC
(Student Research Challenge.)
12
1.2 Biodata Anggota tim
A. Identitas Diri
(Fitto Martcellindo)
13
1.3 Biodata Anggota Tim
A. Identitas Diri
14
1.4 Biodata Anggota tim
A. Identitas Diri
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya
buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan SRC
(Student Research Challenge.)
15
1.5 Biodata Dosen Pembimbing
A. Identitas Diri
2. Jenis Kelamin L /P
4. NIDN 0328018803
B. Identitas Diri
NIDN 0328018803
Lampiran 2. Justifikasi Anggaran Kegiatan
Jenis Pengeluaran
1. Belanja Bahan Volume Harga Satuan Nilai (RP)
a. Kertas 1 Rp70.000,00 Rp70.000,00
b. Tinta Printer 4 Rp200.000,00 Rp800.000,00
c. Foto Copy & Jilid 1 Rp50.000,00 Rp50.000,00
d. Lain-lain 1 Rp380.000,00 Rp380.000,00
2. Sewa Jasa 4 Rp512.000,00 Rp2.048.000,00
3. Transportasi 4 Rp250.000,00 Rp1.000.000,00
4. Lain – Lain
a. Biaya Komunikasi 4 Rp50.000,00 Rp200.000,00
b. Biaya Akses Publikasi 1 Rp500.000,00 Rp500.000,00
c. Hak Paten 1 Rp1.000.000,00 Rp1.000.000,00
SUB TOTAL Rp6.048.000,00