BAB I. PENDAHULUAN
BAB 3. METODE
Penelitian ini dilaksanakan mulai dari Maret 2021 bertempat di Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA). Metode yang digunakan dalam penelitian ini adalah metode CNN (Covolutional Neural Network). Diagram alur yang menjelaskan tahapan penelitian ini ditunjukkan pada Gambar 14.
Gambar 14 Diagram Alur Penelitian.
Gambar 14 menjelaskan tahapan pada penelitian ini, tahap awal ialah mencari studi literatur mengenai penelitian yang dilakukan, setelah mendapatkan studi literatur kemudian mengumpulkan data citra retak beton yang didapat pada sumber data Mendeley. Tahap selanjutnya, yaitu tahap pre-processing untuk mengubah ukuran citra menjadi lebih kecil dan dengan ukuran yang sama, kemudian data akan diolah dengan menggunakan perancangan Convolutional Neural Network (CNN). Tahap selanjutnya melakukan pelatihan model dan pengujian model terhadap perhitungan citra yang didapatkan dari perancangan CNN. Tahap akhir akan didapatkan hasil akhir, yaitu berupa akurasi hasil akhir dari klasifikasi yang sudah dilakukan pada tahap pelatihan model dan pengujian model perancangan CNN.
3.1. Studi Literatur
Pada tahapan ini yaitu melakukan pencarian terhadap studi literatur untuk mendapatkan sumber data yang mendukung penelitian. Sumber data diperoleh dari berbagai sumber tertulis dan tidak tertulis, baik dari sebuah penelitian terdahulu, jurnal, buku-buku, website, arsip, paper, atau dokumen-dokumen yang mendukung dengan permasalah klasifikasi citra dan algoritme Convolutional Neural Network.
Tahapan ini bertujuan untuk dapat dijadikan referensi untuk memperkuat penelitian yang sedang dilakukan dan argumentasi-argumentasi yang ada dari penelitian yang telah dilakukan sebelumnya serta referensi sebuah materi.
3.2. Pengumpulan Dataset
Pengumpulan dataset merupakan pengumpulan citra dari retak beton yang merupakan data sekunder dan didapatkan dari sumber data mendeley. Data yang digunakan dalam penelitian ini terdiri dari tiga jenis data, yaitu data training, data validation, dan data testing.
Gambar 15 Citra Retak Beton Positif dan Negatif.
Data yang digunakan terdiri dari dari data citra retak beton dengan data kelas positif dan negatif. Masing-masing data kelas berjumlah 20.000 data citra, sehingga seluruh
data citra yang digunakan berjumlah 40.000 data citra dengan format .JPG/JPEG (Joint Photographic Experts Group). Data citra berdimensi 224x224 pixel dengan resolusi 4032x3024 pixel menggunakan pemodelan warna RGB (Red, Green, Blue) yang selanjutnya akan disimpan dalam folder dengan nama positive dan negative berdasarkan data kelas masing-masing data.
1. Data Training
Data training adalah data-data yang digunakan untuk melakukan proses learning dari citra retak beton. Data yang digunakan dalam penelitian ini untuk proses training, yaitu sebanyak 28.000 citra untuk dua data kelas positif dan negatif.
2. Data Validation
Data validation adalah data-data yang digunakan untuk menguji tingkat akurasi saat melakukan proses training. Data yang akan digunakan pada proses validation, yaitu sebanyak 6.000 citra untuk dua data kelas positif dan negatif.
3. Data Testing
Data testing adalah data-data yang digunakan dalam proses pengujian terhadap hasil learrning citra retak beton yang telah disimpan dalam sebuah pemodelan. Data yang digunakan merupakan data gambar retak gambar secara acak dari data citra yang sudah digunakan selama proses training dan validation. Berikut merupakan jumlah gambar yang digunakan untuk proses training dan validation:
Tabel 2Jumlah Data Training dan Data Validation.
No Data Kelas Data Training Data Validation
1 Retak Beton positif 14.000 3.000
2 Retak Beton negatif 14.000 3.000
Total 28.000 6.000
3.3. Pre-processing
Metode yang dilakukan selanjutnya, yaitu tahap pre-processing. Tahap pre-processing yang dilakukan, yaitu pre-pre-processing data training dan data testing. Pre-processing adalah tahap pengolahan suatu citra yang digunakan untuk menghasilkan citra yang lebih baik sebelum diproses ketahapan berikutnya. Tahap pre-processing ini terdiri dari proses resize dan grayscale, yaitu ukuran pixel dan dimensi pada citra akan diperkecil atau rentang nilai yang akan bernilai sama. Kemudian tahap grayscale dilakukan untuk mengkonversi pemodelan suatu warna yang digunakan pada citra.
1. Resize
Tahapan yang dilakukan pertama kali, yaitu tahap resize. Tahapan ini dilakukan dikarenakan biasanya ukuran pada dimensi citra yang dihasilkan tidak selalu sama dan citra yang diinputkan terkadang memiliki pixel yang berbeda. Oleh karena itu tahapan ini dilakukan untuk mengatur ukuran pixel pada citra yang diolah pada tahap testing. Resize diperlukan agar setiap data training dan testing memiliki ukuran dimensi dan rentang nilai yang sama.
Gambar 16 Citra Sebelum dan Sesudah Proses Resize.
2. Grayscale
Tahapan setelah dilakukan resize, yaitu melakukan proses grayscale.
Grayscale dilakukan untuk mengkonversi citra yang memiliki pemodelan warna RGB menjadi pemodelan grayscale.
Gambar 17 Konversi RGB Menjadi Grayscale
3.4. Perancangan Convolutional Neural Network
Metode yang dilakukan dalam penelitian ini untuk proses klasifikasi menggunakan perancangan Convolutional Neural Network. Untuk melakukan proses klasifikasi menggunakan CNN ada beberapa proses yang perlu dilakukan, berikut merupakan beberapa langkah-langkahnya:
1. Filter stride, padding, dan pool size
Filter yang akan digunakan adalah 6x6, untuk pool size yang digunakan adalah 2x2. Pada pengaturan stride dan padding akan di set secara default, yaitu menjadi 0 dan 1.
2. Fungsi aktivasi
Fungsi aktivasi digunakan untuk mendapatkan suatu output dari setiap layer dengan menghitung antara input, weight dan bias. Dalam penelitian ini menggunakan fungsi aktivasi ReLu yang terdapat pada convolutional layer.
3. Penetuan Epoch
Epoch merupakan jumlah literasi yang dipakai dalam mengulangi proses learning, semakin besar epoch yang digunakan maka akan menaikkan tingkat hasil proses learning. Jumlah epoch yang digunakan dalam penelitian ini adalah nilai epoch 10, 50, 100, 200, dan 350
3.5. Pengujian dan Pelatihan Model
Pada proses pengujian dan pelatihan model, tahap ini akan menentukan hasil pada data yang sudah selesai diproses menggunakan CNN. Proses testing atau pengujian biasanya menggunakan data uji yang banyak, dan setiap kelas jenis gambar retak beton sebanyak 40.000 citra. Setelah proses selesai maka dapat diambil suatu kesimpulan dengan pembuatan alat klasifikasi menggunakan CNN.
3.6. Akurasi Hasil
Akurasi hasil dilakukan untuk melihat uji keakuratan dan menunjukkan tingkat kebenaran dari hasil pengklasifikasian gambar retak beton dengan menggunakan algoritme Convolutional Neural Network. Hasil akurasi ini akan menunjukkan bahwa alat pemodelan yang digunakan dalam proses klasifikasi bekerja dengan baik, tahap ini menunjukan interpretasi hasil yang didapatkan dari seluruh pengolahan data dengan harapan akan mendapatkan kesimpulan dari seluruh objek yang diteliti menggunakan CNN.
BAB 4. LUARAN DAN TARGET CAPAIAN
Rencana target capaian dari penelitian ini sebagai disajikan pada Tabel 20 dibawah ini.
Tabel 20. Rencana Target Penelitian
NO Jenis Luaran Tahun 2021
1. Publikasi Ilmiah Internasional Submit
Nasional terakreditasi Tidak Ada
2. Pemakalah Dalam Temu Ilmiah Internasional Tidak ada
Nasional Terdaftar
3. Invited speaker dalam temu ilmiah
Internasional Tidak ada
Nasional Tidak ada
4. Visiting lecturer Internasional Tidak ada
5. Hak Kekayaan Intelektual (HKI)
Paten Tidak ada
Paten Sederhana Terdaftar
Hak Cipta Tidak ada
Merek Dagang Tidak ada
Rahasia Dagang Tidak ada
Desain Produk Industri Tidak ada Indikasi Gerografis Tidak ada Perlindungan Varietas
Tanaman Tidak ada
Perlindungan Topografi
Sirkuit Terpadu Tidak ada
6. Teknologi Tepat Guna Produk sistem
berbasis website
NO Jenis Luaran Tahun 2021
7. Model/Purwarupa/Desain/Karyaseni/
Rekayasa Sosial Tidak ada
8. Buku Ajar (ISBN) Tidak ada
9. Tingkat Kesiapan Teknologi (TKT) 5