APLIKASI MOBILE UNTUK DETEKSI BUAH MENGGUNAKAN IMAGE
CLASSIFICATION DENGAN BAHASA PEMROGRAMAN PYTHON DAN
ANDROID STUDIO
Hawari Aliansyah Mochamad Wisuda SardjonoABSTRAKSI
Image Classification adalah sebuah pengelompokkan kategori dari suatu gambar ke dalam suatu
kategori tertentu. Perancangan Aplikasi Deteksi Buah Anggur, Apel, Alpukat, Jeruk, Dan Pisang Menggunakan Image Classification Dengan Bahasa Pemrograman Python Dan Android Studio bertujuan untuk membantu mendeteksi buah lewat image classification dan menerapkannya kedalam aplikasi android. Dengan mengarahkan kamera dari ponsel android ke buah yang dituju diharapkan dapat menampilkan hasil dengan menampilkan buah apa di layar ponsel android. Dengan hasil tersebut, sistem dapat disimpulkan memiliki hasil yang cukup baik dalam menklasifikasi gambar buah.
I. PENDAHULUAN
Buah merupakan bahan pangan yang sudah dikenal di kalangan masyarakat. Semua orang pasti sudah pernah memakan buah. Menyebut kata buah pasti yang berada di pikiran pertama kali adalah suatu makanan yang di dapat dari pohon yang ada daging dan bijinya. Tidak semua buah mempunyai daging dan biji. Tak jarang orang salah dalam menyebut bahan pangan menjadi buah atau sebaliknya buah dikatakan bahan pangan lain.
Kendala yang dihadapi saat ini dengan semakin berkembangnya teknologi yang ada membuat banyak orang memanfaatkannya untuk membantu dalam memenuhi kebutuhan sehari-hari. Salah satu perkembangan teknologi tersebut adalah semakin maraknya aplikasi mobile.
Beberapa orang dihadapi dengan masalah kesehatan yang membuat mereka tidak dapat membedakan buah-buahan dengan mata mereka.
Berdasarkan uraian diatas, aplikasi deteksi buah alpukat, anggur, apel, jeruk, dan pisang menggunakan image classification dengan bahasa pemrograman python dan android studio bertujuan untuk membantu mengenali buah dengan image classification dan menggunakan aplikasi android dalam penerapannya. Sistem ini nantinya dapat diintegrasikan dengan kamera yang ada dalam ponsel android. Dengan mengarahkan kamera dari ponsel android ke buah yang dituju diharapkan dapat mendeteksi buah dengan tepat. Aplikasi ini dibuat dengan menggunakan bahasa pemrograman Python dan pustaka library Tensorflow serta menerapkannya dalam ponsel dengan menggunakan bahasa pemrograman Java dan Android Studio.
II. STUDI PUSTAKA
Pada penulisan ini, aplikasi yang akan dibuat adalah deteksi buah menggunakan image classification dengan membatasi jumlah gambar dari buah yang akan diproses pada image classification menjadi sejumlah 5 buah yaitu alpukat, anggur, apel, jeruk, dan pisang. Tujuan dari penelitian ini adalah membuat sebuah aplikasi yang dapat mengidentifikasi gambar buah dan buah diantaranya yaitu alpukat, anggur, apel, jeruk, dan pisang pada saat kamera ponsel android diarahkan ke obyek tersebut.
Buah merupakan bahan pangan yang sudah dikenal di kalangan masyarakat. Semua orang pasti sudah pernah memakan buah. Menyebut kata buah pasti yang berada di pikiran pertama kali adalah suatu makanan yang di dapat dari pohon yang ada daging dan bijinya. Tidak semua buah mempunyai daging dan biji. Tak jarang orang salah dalam menyebut bahan pangan menjadi buah atau sebaliknya buah dikatakan bahan pangan lain.
Banyak orang yang belum mengetahui kelompok-kelompok buah. Padahal kelompok buah itu sangat banyak. Tak jarang orang beranggapan salah tentang buah. Seperti contoh buah alpukat, orang takut mengkonsumsinya karena mereka berfikiran bahwa alpukat adalah penyebab dari gendut, padahal yang membuat mereka gendut adalah susu kental manis atau pemanis lainnya seperti gula bukan alpukatnya. Alpukat tidak membuat gendut karena mengandung lemak baik, yaitu lemak yang dibutuhkan oleh tubuh kita. Ketidaktahuan masyarakat tersebut tidak menutup kemungkinan mereka menjadi rugi karena terbatasnya pengetahuan. [6]
Machine Learning adalah sebuah alat untuk membuat sebuah informasi menjadi
pengetahuan. Untuk melakukan itu, machine learning harus melewati learning process atau proses menganalisa dengan mencoba beragam cara dan belajar bagaimana mereka melakukannya sebaik mungkin.
Secara sederhana, machine learning membangun sebuah algoritma yang memungkinkan program komputer untuk belajar dan melakukan tugasnya sendiri tanpa adanya instruksi dari penggunanya. Algoritma semacam ini bekerja dengan cara membangun sebuah model dari masukan untuk dapat menghasilkan suatu prediksi atau pengambilang keputusan berdasarkan data yang ada. [6]
Deep Learning adalah bagian dari Machine Learning yang membahas lebih banyak tentang
teknik terkait dengan pembelajaran representasional sedemikian rupa sehingga dengan semakin banyak data akan meningkatkan lebih banyak pengalaman. [2]
Image classification adalah sebuah pengelompokkan kategori dari suatu gambar ke dalam
suatu kategori tertentu. Image classification adalah sub-bidang di bawah machine learning, dimana tujuan utamanya adalah untuk memprediksi label atau respon keluaran yang bersifat kategorikal untuk input data berdasarkan model apa yang telah belajar dalam fase pelatihan.
Algoritma klasifikasi popular termasuk logistic regression, support vector machines, neural
networks, ensembles seperti random forests dan gradient boosting, K-nearest neighbors, decision trees, dan masih banyak lainnya. Dalam menerapkan image classification tentu memerlukan
kumpulan data agar proses tersebut dapat berjalan dan menghasilkan keluaran. Data sendiri merupakan kumpulan informasi atau keterangan – keterangan yang diperoleh dari pengamatan, informasi tersebut dapat berupa angka, gambar atau sifat.
Dalam membuat program image classification tentu diperlukan sebuah bahasa pemrograman yang baik. Program ini menggunakan bahasa python untuk training data yang nantinya akan diolah.
Data set adalah kumpulan entitas dan nilai terkait dalam proses tertentu yang dapat diakses baik secara individu atau sebagai elemen keseluruhan, yang diorganisasikan dengan struktur data. Data set dapat dipandang sebagai kumpulan obyek data. Obyek data set adalah representasi dari
suatu kelompok data yang terdiri dari table-tabel, kolom, baris dan berbagai constraints. Ada bermacam-macam cara untuk merepresentasikan data, misalnya atribut yang digunakan untuk menggambarkan jenis obyek.
Atribut adalah sifat atau property atau karakteriditik objek data yang nilainya bias bermacm-macam dari satu objek ke objek yang lain, dari satu waktu ke waktu yang lain. Misalnya warna kuliat orang lain, berat badan seseorang juga bias berubah dari waktu ke waktu. Warna kuliat bias mempunyai nilai simbolik (hitam,putih,kuning,langsat, coklat,sawo matang), sedangkan berat badan bisa berupa nilai angka numeric misalnya 35,50,70,85.
Ada empat sifat penting yang dimiliki atribut secara umum, yaitu distinctness, order,
addition, multiplication, atribut nominal dan ordinal merupakan jenis kategori, nilai kualitatif
misalnya nomor pada kode pos, nomor KTP. Nilai tersebut sebenarnya nilai simbolik, tidak mungkin dilakukan operasi aritmatika seperti pada tipe numeric. Sedangkan atribut interval dan rasio keduanya merupakan jenis numeric, nilainya kualitatif dapat dilakukan operasi aritmatika, bisa direpresentasikan dengan nilai integer atau continue. [10]
Data set dapat mempunyai karakteristik yang berbeda, misalnya ada set data yang menggunakan nilai deret waktu (times series) atau sebuah nilai angka, bahkan berupa obyek hubungan dan gambar khusus didalamnya. Nama lain yang sering digunakan adalah record, point,
vector, pattern, event, observation, case, atau bahkan data. Kualitas data set juga sering menjadi
hal yang perlu diperhatikan di awal sebelum proses penggalian informasi. Masalah yang sering muncul pada data mentah adalah duplikasi data, ketidak konsistenan (redudansi) data, data yang salah, dst. Data set mempunyai beberapa karakteristik umum yaitu:
a. Dimensionality
Dimensionalitas dari sebuah data set adalah jumlah atribut yang dimiliki oleh obyek-obyek dalam data set. Data dengan jumlah dimensi kecil punya kecenderungan berbeda secara kualitatif dibandingkan dengan data dimensi tinggi. Pada tahap preprocessing perlu dilakukan pengurangan dimensi (dimensionality reduction).
b. Sparsity
Sparsity mempunyai keuntungan dalam waktu komputasi dan penyimpanan data. c. Resolution
Sifat dari data berbeda pada resolusi yang berbeda. Pola dalam data bergantung pada level resolusi. Jika resolusi terlalu baik (tidak ada perbedaan atau halus), pola mungkin tidak akan kelihatan. Jika resolusi terlalu kasar, pola juga akan hilang.
III. METODE
Model dilatih menggunakan data set dengan total data set 612 gambar sebanyak 100 kali dilatih, dimana setiap 20 langkah terhitung 1 training. Sehingga menghasilkan keluaran nilai akurasi dari data yang telah dilatih (val_acc) dan nilai akurasi dari data yang hilang atau miss (val_loss).
Diagram hasil terdapat pada Gambar 1. Untuk validasi data set diberi label uji oleh bagian konvensi. Dari diagram akurasi dibawah, dapat dilihat bahwa model tidak terlalu perlu melakukan banyak proses latihan. Dapat dilihat bahwa data set pelatihan ini menunjukan keterampilan yang sebanding pada kedua data set. Hasilnya dapat disimpulkan bahwa model tersebut telah mempelajari data set pelatihan dengan cukup baik.
Gambar 1. Hasil Akhir Training Model
Setelah melakukan training atau proses melatih model dari data set yang ada, penulis akan melakukan import data model agar dapat digunakan pada aplikasi ponsel android. Proses import model ini akan menghasilkan luaran berupa file berekstensi .tflite dimana nantinya file tersebut akan kita import kembali di android studio.
Pada bagian ini penulis mencoba melakukan prediksi dengan beberapa gambar yang telah dilatih. Model akan mencoba mendeteksi gambah buah, apabila luaran menunjukkan tulisan berwarna merah berarti model salah memprediksi buah tersebut.
Gambar 2 Prediksi Gambar Acak
Penulis telah melakukan implementasi pada beberapa Smartphone dengan spesifikasi sebagai berikut:
Tabel 1. Tabel uji coba aplikasi pada ponsel android
No. Tipe Ponsel Android Spesifikasi Hasil Uji Coba
1. Samsung J4 2018 Layar 5.5” Android OS v8.0 (Oreo) CPU Quad-core 1.4 GHz RAM/ROM 2/32GB Dapat Diinstall. Dapat Berjalan dengan
baik.
Tampilan sesuai dengan layar smartphone, klasifikasi berjalan dengan
baik 2. Realme 3 Pro Layar 6.3” Android OS v9.0 (Pie) CPU Qualcomm SDM710 RAM/ROM 4/64GB Dapat Diinstall. Dapat Berjalan dengan
baik.
Tampilan sesuai dengan layar smartphone, klasifikasi berjalan dengan
baik 3. Redmi 4 Prime Layar 5.0” Android OS v6.0 (Marshmallow) CPU Octa-core 2.0 GHz RAM/ROM 3/32GB Dapat Diinstall. Dapat Berjalan dengan
baik.
Tampilan sesuai dengan layar smartphone,
mendeteksi dengan rasio 50:50
4. Redmi Note 5 Pro
Layar 6.0”
Android OS v7.1 (Nougat) CPU Qualcomm SDM636
RAM/ROM 4/64GB
Dapat Diinstall. Dapat Berjalan dengan
baik.
Tampilan sesuai dengan layar smartphone, klasifikasi berjalan dengan
baik 5. Vivo V7+ Layar 6.0” Android OS v7.1 (Nougat) CPU Octa-core 1.8 GHz RAM/ROM 4/64GB Dapat Diinstall. Dapat Berjalan dengan
baik.
Tampilan sesuai dengan layar smartphone, klasifikasi berjalan kurang
baik 6. Redmi 3S Prime Layar 5.0” Android OS v8.1 (Oreo) CPU Octa-core 1.4 GHz RAM/ROM 3/32GB Dapat Diinstall. Dapat Berjalan dengan
baik.
Tampilan sesuai dengan layar smartphone, klasifikasi berjalan kurang
baik
7. Redmi Note 3 Pro
Layar 5.0”
Android OS v5.1 (Lolipop) CPU Octa-core 1.2 GHz
RAM/ROM 3/32GB
Dapat Diinstall. Dapat Berjalan dengan
baik.
Tampilan sesuai dengan layar smartphone, klasifikasi berjalan dengan
baik
Berdasarkan hasil uji coba pada tabel 1, dapat disimpulkan bahwa aplikasi dapat berjalan dengan baik, akan tetapi dalam beberapa kasus terdapat beberapa klasifikasi yang tidak sesuai hasil. Aplikasi ini diuji coba terhadap 10 responden dengan ponsel android berbeda-beda untuk mengetahui apakah sudah memenuhi tujuan penulisan. Mekanisme pengujian yang penulis lakukan adalah pertama memberikan link untuk download aplikasi dengan menggunakan google drive kepada responden.
IV. KESIMPULAN
Kesimpulan hasil dari penulisan ilmiah yang penulis buat berdasarkan kuisioner yang disebarkan kepada 10 responden menyatakan bahwa, 84% aplikasi ini dinyatakan baik dalam hasil klasifikasi yang telah dilakukan. Sekitar 6% kurang setuju dengan desain aplikasi ini. Tujuan dari penelitian ini adalah membuat sebuah aplikasi untuk mengidentifikasi gambar buah dan buah alpukat, anggur, apel, jeruk dan pisang pada saat kamera ponsel diarahkan ke obyek tersebut.
DAFTAR PUSTAKA
[1] Dea Chintia Putri. 2020. Sistem pedestrian tracking untuk mendeteksi dan melacak pejalan kaki saat menyeberang jalan.
[2] Dipanjan Sarkar, Raghav Bali, dan Tushar Sharma. 2018. Practical
Machine Learning with Python.
[3] J. Burton Browning dan Marty Alchin. 2019. Pro Python 3 Features and
Tools for Professional Development.
[4] John Paul Mueller. 2018. Beginning Programming with Python.
[5] Ladislav Rampasek dan Anna Goldenberg. 2016. TensorFlow: Biology’s
Gateway to Deep Learning.
[6] Siti Maptukah. 2020. Aplikasi pendeteksi kematangan buah naga merah menggunakan convolutional neural network pada platform
smartphone berbasis android.
[7] URL: https://www.academia.edu/8493772/Buah. 22 Juni 2020. [8] URL: https://towardsdatascience.com/a-beginners-introduction-to-
tensorflow-lite-924320deed5. 27 Juni 2020.
[9] URL: https://medium.com/datadriveninvestor/what-exactly-is-tensorflow- 80a90162d5f1. 27 Juni 2020.
