ANALISIS DAN PERANCANGAN SISTEM
3.2 Analisis Sistem
Metode yang digunakan pada penelitian ini terdiri dari beberapa tahapan. Tahap pertama adalah proses pengumpulan data citra dan berat sapi dengan beberapa jenis yaitu Sapi Aceh, Angus, Bali, Brahman, Limousin, Madura, Ongole dan Simental. Data tersebut akan digunakan sebagai data latih dan data uji. Proses pengumpuIan data diambil langsung menggunakan kamera smartphone.
Tahap kedua yaitu pre-processing, pada tahap ini dilakukan proses Labeling, Grayscale, GaussianBlur, dan Thresholding. Pada proses Labeling dilakukan untuk membagi data sesuai jenisnya dan pemisahan data untuk data training serta data testing.
Kemudian setelah itu akan masuk ke tahap Grayscale untuk mengkonversi gambar ke abu-abu. Setelah melalu tahap Grayscale akan melanjutkan ke tahap GaussianBlur untuk mengurangi Noise pada gambar. Kemudian, menghitung Gradients dengan Sobel dan selanjutnya di Thresholding.
Tahap selanjutnya yaitu tahap Feature Extraction yang melalui tahapan Canny Edge Detection dengan memasukan nilai nilai yang sebelumnya diproses. Selanjutnya ke tahap Conversion Factor yang mengubah ukuran pixel ke ukuran sebenarnya untuk nantinya nilai tersebut dipakai pada Regresi Bobot sapi untuk menentukan berat badan sapi.
Tahap terakhir dilakukan tahap klasifikasi menggunakan metode Faster Region Convolution Neural Network (Faster R-CNN). Setelah tahap-tahap tersebut dilakukan, maka menghasilkan output berupa jenis sapi dan bobot sapi tersebut. Adapun tahap-tahap diatas dapat dilihat dalam bentuk arsitektur umum pada Gambar 3.2.
Gambar 3. 2 Arsitektur Umum 3.2.1 Image Acquisition
Tahap ini ialah tahap input awal pada pengumpulan data citra sapi. Penelitian ini menggunakan data citra sapi dengan 8 jenis antara lain, Sapi Aceh, Angus, Bali, Brahman, Limousin, Madura, Ongole, dan Simental. Proses pengambilan data citra sapi tersebut diambil langsung menggunakan kamera smartphone. Data citra sapi diambil dari beberapa peternakan yang ada di sekitar Medan seperti daerah Deli Serdang,
Serdang Bedagai, dan Langkat. Data citra terdiri dari dua bagian yaitu data training dan data testing. Citra yang digunakan berekstensi .PNG. Untuk membagi data training dan data testing dapat dilihat pada gambar 3.3.
Gambar 3. 3 Split Data Training & Data Testing
3.2.2 Image Pre-processing
Selanjutnya untuk menghasilkan citra yang lebih baik dilakukan proses pre-processing untuk diproses ke tahap selanjutnya. Pada tahap pre-processing dilakukan proses Grayscale dimana proses ini berguna untuk mengubah citra gambar menjadi abu-abu, untuk persamaan Grayscale dapat dilihat pada gambar 3.4.
Gambar 3. 4 Grayscale
Selanjutnya proses untuk mengurangi Noise pada citra dengan menggunakan GaussianBlur dapat dilihat pada persamaan 3.5.
Gambar 3. 5 GaussianBlur
Setelah melalui tahap GaussianBlur, akan dihitung Gradients nya dengan menggunakan Sobel yang dapat dilihat pada gambar 3.6 dan mengkonversi Cartesian Coordinates ke Polar yang dapat dilihat pada gambar 3.7. Lalu tahapan Pre-processing yang terakhir adalah Thresholding pada gambar 3.8.
Gambar 3. 6 Hitung Gradients
Gambar 3. 7 Konversi Cartesian Coordinates ke Polar
Gambar 3. 8 Thresholding
3.2.3 Feature Extraction
Pada penelitian ini menggunakan Canny Edge Detection untuk melakukan tahap Feature Extraction. Dengan memasukan data yang sebelumnya di proses di tahap Pre-processing maka selanjutnya tahapan Canny Edge Detection dapat dilakukan. Tahapan selanjutnya adalah Conversion Factor yang mengubah nilai pixel untuk ukuran yang di gambar menjadi nilai asli atau nilai sebenarnya. Conversion Factor ini berguna untuk mendapatkan nilai lingkar dada yang nantinya akan digunakan ke dalam rumus regresi sapi.
3.2.4 Faster Region Convolution Neural Network (Faster R-CNN)
Faster Region Convolution Neural Network merupakan metode machine learning yang digunakan pada penelitian ini untuk mengetahui jenis sapi. Data input pada metode ini ialah citra Sapi yang telah melalui tahap-tahap sebelumnya. Dalam mengolah citra pada Faster Region Convolution Neural Network, dibagi menjadi 2 proses dengan data citra yang berbeda. Tahapan Faster R-CNN dapat dilihat pada gambar 3.9.
Gambar 3. 9 Faster R-CNN
3.2.4.1 Proses Training
Proses training merupakan tahap pembelajaran sistem terhadap data input untuk membuat suatu keputusan atau Model yang diinginkan dengan bantuan metode Faster Region Convolution Neural Network, biasanya jumlah data input pada proses training lebih banyak daripada jumlah data input yang digunakan pada proses testing, dengan tujuan untuk meningkatkan kompleksitas algoritma pembelajaran terhadap pemetaan ciri citra yang beragam. Hasil dari proses ini berupa model yang nantinya digunakan pada proses testing. Pada proses training, data input dipecah lagi menjadi data training dan data testing. Adapun perbedaan dari data tersebut yaitu:
– Data Training
Pada penelitian ini menggunakan data training sebagai pembelajaran pada metode Faster Region Convolution Neural Network dan data menyesuaikan parameter pengklasifikasi untuk membentuk model. Di penelitian ini juga menggunakan data training sejumlah 801 data atau sama dengan 80% dari data untuk training dengan sebelumnya dilakukan training data sejumlah 160 data, 320 data dan 480 data untuk mendapatkan model yang optimal.
– Data Testing
Pada penelitian ini menggunakan data testing untuk memberikan evaluasi kesesuaian model yang tidak berpengaruh kepada set data training saat menyesuaikan atau membentuk parameter model. Di penelitian ini juga menggunakan data testing sejumlah 160 data atau sama dengan 20% dari data untuk testing dengan sebelumnya dilakukan testing data sejumlah 40 data, 80 data dan 120 data sehingga didapatkan model yang optimal.
Dalam melakukan pembelajaran machine learning pada citra menggunakan metode Faster Region Neural Network untuk membentuk model yang baik. Pada penelitian ini Faster Region Neural Network akan membuat suatu model yang dapat mengklasifikasikan jenis Sapi menjadi 8 yaitu Sapi Aceh, Angus, Bali, Brahman, Limousin, Madura, Ongole, dan Simental.
3.2.4.2 Proses Testing
Proses testing adalah tahap pengujian yang telah dibentuk dari model pada proses traning sebelumnya. Pada tahap ini dilakukan agar memahami seberapa efektif metode Faster Region Convolution Neural Network yang digunakan pada aplikasi ini.
Algoritma Faster Region Convolution Neural Network akan melalui tahapan yang sebelumnya dijelaskan dan model yang sudah ditentukan jumlah klasifikasinya akan melalui beberapa Layers yang ada di Algoritma Faster Region Convolution Neural Network. Selanjutnya model akan di compile dan dilakukan lah uji model dengan epoch adalah 3 yang dapat dilihat pada gambar 3.10 dan dilakukan secara bertahap dari 200 data, 400 data, 600 data dan 800 data. Hasil uji model tiap tahap dapat dilihat pada tabel 3.2, 3.3, 3.4 dan 3.5.
Gambar 3. 10 Testing Model Epoch 3
Table 3. 2 Hasil uji model 200 data
Epoch Loss Accuracy Val_Loss Val_Accuracy
1 0.1353 0.9876 2.3093 0.5500
2 0.2581 0.9068 1.1111 0.6500
3 0.0205 1.0000 0.8275 0.8000
Table 3. 3 Hasil uji model 400 data
Epoch Loss Accuracy Val_Loss Val_Accuracy
1 1.9895 0.3053 1.3483 0.4875
2 0.5931 0.7819 0.3549 0.8625
3 0.2153 0.9159 0.3287 0.8250
Table 3. 4 Hasil uji model 600 data
Epoch Loss Accuracy Val_Loss Val_Accuracy
1 1.8576 0.3347 0.9080 0.6750
2 0.4925 0.8170 0.5770 0.7917
3 0.2528 0.9314 0.2396 0.9000
Table 3. 5 Hasil uji model 800 data
Epoch Loss Accuracy Val_Loss Val_Accuracy
1 1.4502 0.4821 0.4341 0.7937
2 0.3929 0.8393 0.2209 0.9062
3 0.2043 0.9314 0.2149 0.9500