PENERAPAN CONVOLUTIONAL NEURAL

NETWORK DALAM
PENGKLASIFIKASIAN CITRA GAMBAR
JAMUR BERACUN

Disusun Oleh Shidqi Akram Hauzan (1060930000114)

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 ◉ Mengembangkan solusi

mengetahui jenis – jenis teknologi yang dapat
jamur beracun dan tidak membantu dalam
beracun sehingga mengidentifikasi dan
banyaknya orang mempelajari struktur
keracunan akibat jamur secara otomatis
memakan jamur yang menggunakan data citra.
beracun.

6
Rumusan Masalah
Tujuan Penelitian
◉ Sulitnya mengidentifikasi jamur
beracun oleh orang awam di alam
liar, kurangnya pengetahuan
tentang jamur, dan kurangnya ahli Menerapkan Convolutional
dalam bidang jamur.
Neural Network (CNN)
◉ Diperlukan pengembangan
solusi teknologi yang dapat
untuk pengklasifikasian
membantu dalam jamur beracun.
mengidentifikasi dan
mempelajari struktur jamur
secara 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
Hardware / Software Tipe Deskripsi
Tahapan Waktu Tempat / Tools
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
Training 2 Desember Rumah Penulis, Local
GPU : AMD Vega 8 –
7

2020 Machine with Jupyter Compute cores

Python 3.8
Notebook
Tensorflow
Tensorflow lite 4
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% 22
Implementasi dan Pengujian
Model

23
Demo Konversi
Model

24
Pengujian

Formula untuk mencari Tingkat Akurasi Model

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