Klasifikasi citra adalah salah satu tugas pemrosesan citra yang paling penting.
Tugas ini bertujuan untuk menentukan kategori atau label dari suatu citra. Klasifikasi citra
memiliki berbagai aplikasi, seperti pengenalan wajah, pengenalan objek, dan klasifikasi
gambar medis.
Salah satu metode yang paling efektif untuk klasifikasi citra adalah menggunakan
convolutional neural network (CNN). CNN adalah jaringan saraf tiruan yang dirancang
untuk memproses citra. CNN terdiri dari sejumlah lapisan convolutional yang mengekstrak
fitur dari citra. Fitur-fitur ini kemudian digunakan oleh lapisan fully connected untuk
menentukan label citra. Ada berbagai metode CNN yang dapat digunakan untuk klasifikasi
citra. Salah satu metode yang paling umum adalah menggunakan CNN yang dilatih dari
awal. Metode ini membutuhkan sejumlah besar data platihan untuk mencapai kinerja yang
baik.
Metode lain yang dapat digunakan untuk klasifikasi citra adalah menggunakan
CNN yang telah dilatih sebelumnya. CNN yang telah dilatih sebelumnya telah dilatih pada
dataset besar citra. CNN ini dapat digunakan untuk berbagai tugas klasifikasi citra,
termasuk tugas- tugas yang membutuhkan jumlah data pelatihan yang terbatas. Ada
beberapa CNN yang telah dilatih sebelumnya yang tersedia secara publik. Beberapa CNN
yang populer termasuk AlexNet, VGG-16, VGG-19, dan ResNet-34.
Metode custom CNN, pretrained Alexnet, pretrained Vgg 19, dan pretrained Resnet
34 adalah metode yang dapat digunakan untuk klasifikasi citra. Masing- masing metode
memiliki kelebihan dan kekurangannya masing-masing. Metode custom CNN
membutuhkan sejumlah besar data pelatihan untuk mencapai kinerja yang baik. Namun,
metode ini dapat digunakan untuk berbagai tugas klasifikasi citra. Metode pretrained
Alexnet, pretrained Vgg 19, dan pretrained Resnet 34 dapat digunakan untuk berbagai
tugas klasifikasi citra, termasuk tugas-tugas yang membutuhkan jumlah data pelatihan
yang terbatas. Namun, metode ini tidak dapat digunakan untuk tugas-tugas yang
membutuhkan kinerja yang sangat tinggi.
2. DASAR TEORI
Metode penelitian yang digunakan dalam penelitian project CNN Object Detection
klasifikasi bunga di Google Colab adalah metode penelitian eksperimental. CNN
merupakan jenis jaringan neural yang dirancang khusus untuk memproses data citra. CNN
memiliki arsitektur berlapis yang terdiri dari lapisan konvolusi, lapisan pooling, dan
lapisan fully connected. Lapisan konvolusi bertugas mengekstraksi fitur-fitur dari citra,
sedangkan lapisan pooling bertugas mengurangi dimensi data. Lapisan fully connected
bertugas mengklasifikasikan objek yang terdeteksi dalam citra.. Eksperimen yang
dilakukan adalah sebagai berikut:
1. Mengunduh kumpulan data klasifikasi bunga, yang merupakan kumpulan data
gambar yang umum digunakan untuk deteksi objek.
2. Menyiapkan data klasifikasi bunga untuk pelatihan model CNN.
3. Melatih model CNN pada data klasifikasi bunga.
4. Menguji akurasi model CNN pada data klasifikasi bunga.
Hasil eksperimen menunjukkan bahwa hipotesis tersebut terbukti benar. CNN dapat
diimplementasikan dengan sukses di Google Colab untuk deteksi objek real-time
menggunakan webcam. Model yang dilatih pada kumpulan data Klasifikasi bunga dapat
mendeteksi objek dengan akurasi yang baik.
3. METODE
Jenis data digunakan adalah Dataset gambar Dilakukan dengan Pengambilan gambar yang diperoleh
dari kaggle klasifikasi bunga dan terdapat 300 gambar dibagi menjadi 3 kelas bunga yaitu:
1. Bougenville
Bunga Bougenville yang terdapat pada dataset kaggle klassifikasi bunga adalah 100 gambar
2. Aglonema
Bunga Aglonema yang terdapat pada dataset kaggle klassifikasi bunga adalah 100 gambar
aglonema
3. Matahari
Bunga Matahari yang terdapat pada dataset kaggle klassifikasi bunga adalah 100 gambar bunga
matahari
3.1. Pra-Pemprosesan
1. Pengumpulan Dataset: Memperoleh dataset citra bunga yang mencakup berbagai kelas dan variasi
kondisi. Untuk dataset penelitian ini diambil dari kaggle “ clasification flower” dengan berjumlah
300 gambar
2. Labeling: Memberi label pada setiap citra sesuai dengan kelas bunga yang tepat. Dari 300 gambar
dataset dibagi menjadi 3 kelas bougenville, aglonema, matahari
3. Pemisahan Dataset: Membagi dataset menjadi set pelatihan, validasi, dan pengujian.
3.2. Model
Dalam penelitian ini, Kami menggunakan 4 model buat perbandingan. model ini diinisialisasi dan
dilatih dengan menggunakan data yang telah diproses sebelumnya
1. Custom CNN
Metode custom CNN adalah metode yang paling umum digunakan untuk klasifikasi
citra. Metode ini membutuhkan sejumlah besar data pelatihan untuk mencapai kinerja yang
baik. Proses pelatihan CNN custom dimulai dengan merancang arsitektur CNN. Arsitektur CNN
terdiri dari sejumlah lapisan convolutional, lapisan pooling, dan lapisan fully connected. Proses
pelatihan dilakukan sebanyak 40 epoch dan memiliki akurasi 73%
2. Pretrained Alexnet
AlexNet adalah AlexNet dapat digunakan sebagai bagian dari arsitektur yang lebih
kompleks untuk menangani ekstraksi fitur dalam tahap awal tugas deteksi objek. Proses
pelatihan dilakukan sebanyak 20 epoch dan memiliki akurasi 96%
3. Pretrained VGG 19
Dalam object detection, VGG-19 dapat digunakan sebagai bagian dari arsitektur untuk
menggambarkan fitur-fitur yang lebih kompleks dari citra. Proses pelatihan dilakukan sebanyak
20 epoch dan memiliki akurasi 90%
4. Pretrained Resnet 34
Dalam object detection, ResNet-34 dapat memfasilitasi pelatihan model yang lebih
dalam dengan mengurangi kemungkinan masalah degradasi performa.. Proses pelatihan
dilakukan sebanyak 10 epoch dan memiliki akurasi 92%
Berdasarkan hasil penelitian, model Pretrained AlexNet memiliki kinerja terbaik dalam
klasifikasi bunga, dengan akurasi sebesar 96%. Model ini diikuti oleh Pretrained ResNet34 dengan
akurasi sebesar 92%, Pretrained VGG19 dengan akurasi sebesar 90%, dan CNN dengan akurasi sebesar
73%. Kinerja yang baik dari model Pretrained AlexNet dapat dikaitkan dengan arsitekturnya yang lebih
kompleks dan efisien dibandingkan model CNN lainnya. Arsitektur yang kompleks memungkinkan
model ini untuk mempelajari fitur-fitur yang lebih kompleks dari citra bunga, sedangkan arsitektur yang
efisien memungkinkan model ini untuk dilatih dan diprediksi dengan cepat.
Secara umum, penelitian ini berhasil membuktikan bahwa model Alexnet yang menggunakan
transfer learning dapat digunakan untuk mengklasifikasikan bunga dengan akurasi yang tinggi,
meskipun dataset bunga yang digunakan terbatas. Hasil penelitian ini juga memberikan kontribusi bagi
pengembangan metode klasifikasi bunga.
4. HASIL DAN PEMBAHASAN
Pada proses pengujian terdapat pengambilan gambar yang diperoleh dari kaggle klasifikasi
bunga dan terdapat 300 gambar dibagi menjadi 3 kelas bunga yaitu:
1. Bougenville
2. Aglonema
3. Matahari
Mengambil sampel gambar dari dataset pelatihan, mengonversi dan menampilkan gambar dan grafik.
Ini digunakan untuk memeriksa visualisasi data selama proses pelatihan.
"Perbandingan Akurasi Berbagai Model"
AlexNet 96%
Vgg 19 90%
Resnet 34 92%
5. KESIMPULAN
5.1. Kesimpulan
Metode custom CNN, pretrained Alexnet, pretrained Vgg 19, dan pretrained Resnet 34 adalah
metode yang dapat digunakan untuk klasifikasi citra. Masing-masing metode memiliki kelebihan dan
kekurangannya masing-masing.Metode custom CNN membutuhkan sejumlah besar data pelatihan untuk
mencapai kinerja yang baik. Namun, metode ini dapat digunakan untuk berbagai tugas klasifikasi citra.
Metode pretrained Alexnet, pretrained Vgg 19, dan pretrained Resnet 34 dapat digunakan untuk
berbagai tugas klasifikasi citra, termasuk tugas-tugas yang membutuhkan jumlah data pelatihan yang
terbatas. Namun, metode ini tidak dapat digunakan untuk tugas-tugas yang membutuhkan kinerja yang
sangat tinggi.
Berdasarkan hasil penelitian, model Pretrained AlexNet memiliki kinerja terbaik dalam
klasifikasi bunga, dengan akurasi sebesar 96%. Model ini diikuti oleh Pretrained ResNet34 dengan
akurasi sebesar 92%, Pretrained VGG19 dengan akurasi sebesar 90%, dan CNN dengan akurasi sebesar
73%.. Kinerja yang baik dari model Pretrained AlexNet dapat dikaitkan dengan arsitekturnya yang lebih
kompleks dan efisien dibandingkan model CNN lainnya. Arsitektur yang kompleks memungkinkan
model ini untuk mempelajari fitur-fitur yang lebih kompleks dari citra bunga, sedangkan arsitektur yang
efisien memungkinkan model ini untuk dilatih dan diprediksi dengan cepat.
5.2. Saran
Berdasarkan analisis dan kesimpulan di atas, saran model CNN untuk pilihan antara Custom CNN,
AlexNet, VGG19, Resnet34 untuk deteksi objek klasifikasi bunga adalah sebagai berikut:
[1] Abidin, S. (2018). Deteksi Wajah Menggunakan Metode Haar Cascade Classifier Berbasis Webcam Pada
Matlab. Jurnal Teknologi Elekterika. 2018, Volume 15 (1): 21-27.
[2] Arief, R. W. (2021). Sistem Deteksi dan Pengenalan Rambu Lalu Lintas Di Indonesia Mengunakan
Algoritma CNN= Traffic Sign Detection and Recognition System in Indonesia Using the CNN Algorithm
(Doctoral dissertation, Universitas Hasanuddin).
[3] Bhanushree K. J., M. M. (2020). Feature Based Face Recognition using Machine. International Journal
of Recent Technology and Engineering (IJRTE), 1-5.
[4] Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). Alexnet: Optimal Speed and Accuracy of
Object Detection. CoRR, abs/2004.1. https://arxiv.org/abs/2004.10934 Dai, T., Cong, S., & Zhang, J.
(2022). Microscopic image recognition method of stomata in living leaves based on improved Alexnet.
Research Square.
[5] Hasman, E. P. (2021). Haar Cascade dan Algoritma Eignface Untuk Sistem Pembuka Pintu Otomatis.
JSAI : Journal Scientific and Applied Informatics.
[6] Justitian, E. R., Purbasari, I. Y., & Anggraeny, F. T. (2022). Perbandingan Akurasi Deteksi Kelelahan
pada Pengendara Menggunakan Resnet-Tiny4-Tiny. Jurnal Informatika dan Sistem Informasi,3(1), 21-
30…