PENERAPAN CONVOLUTIONAL

NEURAL NETWORK DALAM

PENGKLASIFIKASIAN CITRA GAMBAR
JAMUR BERACUN

Disusun Oleh Shidqi Akram Hauzan (1060930000114)

Zainul Arham
Nuryasin
1 Pendahuluan

2
 Latar Belakang
Kenapa Jamur?

Amanita Phalloides Amanita Rubescens

Beracun Dapat Dimakan
◉ Di alam liar jamur yang dapat dimakan memiliki karakteristik yang mirip secara visual dengan jamur beracun

◉ Identifikasi jamur beracun membutuhkan pengetahuan dan pengalaman yang mendalam dalam taksonomi
jamur

◉ Tools yang digunakan untuk membantu masyarakat dalam membedakan jamur beracun atau tidak masih
sedikit

3
 100 Kematian/tahun
Jumlah kematian spekulasi para ahli di benua Eropa yang diakibatkan oleh
memakan jamur beracun (White et al., 2019)

China mencatat hampir 500 wabah

keracunan jamur pada tahun 2022 dengan 28 kematian terkait (Li et al., 2023)

4
 Convolutional Neural Network

 Convolutional Neural Network atau

CNN merupakan salah satu metode ◉ CNN memiliki keunggulan dalam
deep learning, dimana metode memproses gambar dikarenakan
tersebut telah banyak diaplikasikan. penggunaan convolutional layer
yaitu layer yang berfungsi untuk
mempelajari suatu fitur tertentu yang
kompleks pada gambar.
5
Identifikasi Masalah
◉ Belum banyak orang yang
mengetahui jenis – jenis jamur
beracun dan tidak beracun
sehingga banyaknya orang
keracunan akibat memakan
jamur yang beracun.
◉ Mengembangkan solusi
teknologi yang dapat
membantu dalam
mengidentifikasi dan
mempelajari struktur jamur
secara otomatis menggunakan
data citra.
6
Rumusan Masalah

◉ Sulitnya mengidentifikasi jamur beracun

Tujuan Penelitian
oleh orang awam di alam liar, kurangnya
pengetahuan tentang jamur, dan
kurangnya ahli dalam bidang jamur. Menerapkan Convolutional
◉ Diperlukan pengembangan solusi Neural Network (CNN) untuk
teknologi yang dapat membantu
pengklasifikasian jamur
dalam mengidentifikasi dan
mempelajari struktur jamur secara beracun.
otomatis

7
Batasan Masalah

1. Data yang digunakan merupakan hasil dari web scrapping dengan

total gambar sebanyak 3000.
2. Bahasa pemograman yang digunakan adalah python versi 3.8
sedangkan library yang digunakan adalah tensorflow.
3. Hasil pengujian dalam pengklasifikasian data dengan nilai diatas
50% maka model dapat dikatakan berhasil.

8
2 Tinjauan Pustaka

9
1 Jamur

Jamur adalah mikroorganisme

yang termasuk golongan eukariotik dan tidak
termasuk golongan tumbuhan. (Sutanto dkk,
2013).

10
2 Citra Gambar

Citra gambar adalah representasi

visual dari sebuah objek, seseorang atau
sebuah adegan (Tyagi, 2018)

11
3 Convolutional Neural Network

Convolutional neural
network merupakan
kelas spesial dari
neural network yang
paling sedikit memiliki
satu jaringan layer
yang berupa layer
convolutional (Teye
Brown & Zgallai,
2020)

Source: Denis Dmitriev

12
3
METODOLOGI
PENELITIAN

13
 OBSERVASI
Tahapan Waktu Tempat / Tools Hardware / Software Tipe Deskripsi

LG V30 Smartphone Android 8.0 Oreo

Pengumpulan Dataset 19 September Rumah Penulis, CPU : Snapdragon

835 Octa Core (4 x
2020 Selenium untuk 2.45 Ghz & 4 x 1.9
Webscraping Ghz)

Ram : 4 GB
Jupyter Notebook Integrated CPU : AMD
Preprocessing Dataset 20 September Rumah Penulis,
Development Ryzen
Enviroment untuk 5600G – 6 Cores
2020 Jupyter Notebook data analis dan Ram : 32GB
training dataset
GPU : AMD Vega 8 –
Training 2 Desember Rumah Penulis, Local
7

Compute cores
2020 Machine with Jupyter
Python 3.8
Notebook Tensorflow
Tensorflow lite
14
4
HASIL DAN
PEMBAHASAN

15
ALUR PEMBUATAN MODEL

16
Gambar Alur Pembuatan Model
DATA PREPROCESSING

Gambar Alur Data Preprocessing

17
Demo Tahapan Data
Preprocessing

18
Pemodelan CNN

Gambar Alur Pemodelan CNN 19

Demo Pemodelan
CNN

20
Architecture Model

Gambar Arsitektur Model

Optimasi Model
No Epoch - Total Learning rate – Batch Size – Akurasi Training Akurasi Validasi
Iterasi Tingkat Pembelajaran Jumlah Sampel

1 0.001 32 67% 70%

2 10 0.001 64 66% 62%
3 0.001 100 64% 69%
4 0.001 32 68% 56%
5 15 0.001 64 69% 70%
6 0.001 100 67% 69%
7 0.001 32 72% 70%
8 20 0.001 64 73% 69%
9 0.001 100 71% 71%
10 0.001 32 78% 76%
11 30 0.001 64 77% 72%
12 0.001 100 73% 74% 22
Implementasi dan Pengujian
Model

23
Demo Konversi
Model

24
Pengujian

Formula untuk mencari Tingkat Akurasi Model

𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝐵𝑒𝑛𝑎𝑟

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑥 100 %
𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛

Gambar Pengujian Model

25
Pengujian

Label Jumlah Data Berhasil Gagal Presentase

Beracun 20 14 6 70%

Dapat
20 9 11 45%
Dimakan

Rata-Rata Presentase Berhasil 57.5%

Tabel Pengujian CNN di Android

26
 Kesimpulan

1. Model menghasilkan tingkat akurasi sebesar 57.5% saat pengujian di android.

2. Parameter model seperti jumlah epoch, ukuran batch dataset, dan learning rate
sangat mempengaruhi tingkat generalisasi model yang terlihat dalam tabel.

3. Performa model saat mengklasifikasi jamur beracun lebih tinggi dibandingkan

dengan saat mengklasifikasi jamur dapat dimakan.

27
 Saran

1. Penelitian selanjutnya diharapkan dapat meningkatkan jumlah dataset, parameter

model lain atau mengubah bentuk arsitektur model untuk meningkatkan tingkat
efektivitas model dalam pengklasifikasian jamur.

2. Membandingkan model ini dengan state of the art pre-trained model, yaitu model
yang sudah di train oleh orang lain.

3. Penggunaan smartphone terkini yang menggunakan tensor engine/neural engine

untuk meningkatkan hasil klasifikasi citra gambar.

28
 Selesai
Terima Kasih atas Perhatiannya