KLASIFIKASI KESEGARAN SAYURAN HIJAU
MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)
Alfredo Sahat Martias1) Dini Sundani2)
1,2
Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma email: {alfredosm,dinisundani}@staff.gunadarma.ac.id
ABSTRAK
Metode CNN dapat digunakan untuk melakukan klasifikasi terhadap suatu objek. Penelitian ini berisi tentang klasifikasi tingkat kesegaran sayuran hijau dengan menggunakan metode Convolutional Neural Network (CNN). Tujuan dari penelitian ini adalah menentukan kategori sayuran segar dan tidak segar. Terdapat beberapa tahapan yang dilakukan dalam penelitian yaitu mempersiapkan dataset penelitian, melakukan proses pengolahan citra dan tahap terakhir adalah proses klasifikasi. Pada tahap persiapan dataset, diambil objek penelitian berupa sayuran hijau yang terdiri dari dua kategori yaitu sayuran segar dan tidak segar. Objek tersebut selanjutnya diproses kedalam tahap pengolahan citra untuk mendapatkan ekstraksi fitur citra. Hasil dari ekstrasi fitur selanjutnya digunakan untuk menentukan model dalam proses klasifikasi citra. Penelitian ini berhasil mengklasifikasikan kesegaran sayuran kedalam kategori segar dan tidak segar dengan tingkat akurasi sebesar 84,75%.
Kata kunci: klasifikasi, kesegaran, sayuran, CNN
.
1. PENDAHULUAN
Sayuran merupakan salah satu nutrisi yang dibutuhkan bagi setiap orang. Sayuran yang dapat dikonsumsi dan memiliki banyak manfaat adalah sayuran segar. Namun, hal tersebut tidaklah mudah mengingat kondisi sayuran sedikit banyaknya pasti berubah karena sayuran mengalami stress setelah dipanen. Terdapat beberapa cara untuk mengatasi masalah ketidaksegaran pada sayuran. Salah satunya adalah dengan melakukan penyortiran dengan memisahkan atau mengklasifikasikan jenis sayuran segar dan tidak segar. Cukup sulit dan membutuhkan waktu yang lama jika klasifikasi dilakukan dalam jumlah banyak dan dilakukan secara manual. Seiring perkembangan teknologi informasi, terdapat metode yang dapat digunakan untuk melakukan klasifikasi terhadap suatu objek, yaitu dengan menggunakan Convolutional Neural Network (CNN) [1]. Beberapa penelitian juga menunjukkan bahwa klasifikasi dengan menggunakan CNN dapat menghasilkan tingkat akurasi yang cukup tinggi diatas 80 [2]. Penelitian lain juga dilakukan oleh Nur Fadila, dengan melakukan klasifikasi terhadap jenis kendaraan dan menghasilkan tingkat akurasi sebesar 73,33 [3].
Penelitian ini mengusulkan klasifikasi tingkat kesegaran sayuran hijau dengan menggunakan metode CNN. CNN merupakan metode yang memanfaatkan fitur konvolusi untuk mengekstraksi ciri dari citra. Metode ini bekerja dengan melukan proses terhadap data uji, dan selanjutnya akan dijadikan acuan untuk membedakan dengan data tes.
2. KAJIAN LITERATUR
2.1 Citra
Citra merupakan representasi informasi visual yang umumnya dalam bentuk dua dimensi (2D) yang merupakan fungsi intensitas f(x, y), dimana x dan y adalah koordinat spasial dan f pada titik (x, y) merupakan nilai kecerahan (brightness) pada suatu titik citra diperoleh dari penangkapan kekuatan sinar yang dipantulkan oleh objek Citra terdiri dari citra analog dan digital. Citra analog adalah citra yang dihasilkan oleh sistem optik yang menerima sinyal analog seperti mata manusia, kamera analog, citra tampilan di layar TV ataupun monitor . Sedangkan citra digital diperoleh melalui proses digitalisasi terhadap citra analog atau melalui kamera digital, scanner dan handycam. Umumnya pengolahan citra digital dilakukan dengan bantuan komputer digital. Apabila citra yang ingin diolah berupa citra analog, maka citra ini terlebih dahulu ditransformasikan ke dalam bentuk citra digital melalui proses digitalisasi [4]. Pada proses digitalisasi citra analog terlebih dahulu dilakukan proses sampling, yaitu mengubah citra analog menjadi citra diskrit, setelah itu dilakukan kuantisasi, dan yang terakhir adalah digitasi citra.
2.2 Convolutional Neural Network (CNN)
CNN termasuk dalam jenis Deep Neural Network dan merupakan pengembangan dari Multilayer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi Pada kasus klasifikasi citra, MLP kurang sesuai untuk digunakan karena tidak menyimpan informasi spasial dari data citra dan menganggap setiap piksel adalah fitur yang independen sehingga menghasilkan hasil yang kurang baik.Metode CNN terbukti berhasil mengungguli metode Machine Learning lainnya seperti SVM pada kasus klasifikasi objek pada citra. Pemberian nama convolutional neural network mengindikasikan bahwa jaringan tersebut menggunakan operasi matematika yang disebut konvolusi. Konvolusi sendiri adalah sebuah operasi linear.Secara teknis, convolutional network adalah arsitektur yang bisa di training dan terdiri dari beberapa tahap. Input dan output dari masing-masing tahap adalah beberapa array yang disebut feature map atau peta fitur. Output dari masing-masing tahap adalah feature map hasil pengolahan dari semua lokasi pada input (Nahila Khunafa Qudsi, 2018). Arsitektur dari CNN ditunjukkan pada gambar 1.
Gambar 1 Arsitektur CNN
Pada gambar tersebut terdapat 3 tahapan yaitu data input, feature learning dan klasifikasi Pada tahap feature learning CNN menggunakan 2 convolutional dan pooling dengan menggunakan fungsi aktivasi ReLu.
1. Convolutional layer merupakan layer pertama yang menerima input citra. Tujuan dilakukannya konvolusi pada data citra adalah untuk mengekstraksi fitur dari citra input. Konvolusi akan menghasilkan transformasi linear dari data input sesuai informasi spasial pada data. Bobot pada layer tersebut melakukan spesifikasi kernel konvolusi yang digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan input pada CNN.
2. Pooling Layer
Pooling layer biasanya berada setelah convolutional layer. Pada prinsipnya pooling layer terdiri dari sebuah filter dengan ukuran dan stride tertentu yang akan bergeser pada seluruh area feature map.
Sedangkan untuk klasifikasi terdiri dari flattening dan full connection 1. Flattening
Pada tahap ini matriks citra hasil proses MaxPooling akan dirubah menjadi matriks 1 dimensi yang memiliki 1 kolom.
2. Full connection
Pada tahap ini matriks hasil pemrosesan semua citra dalam dataset akan dicari cirinya untuk dijadikan model
3. METODE PENELITIAN
Metode yang dilakukan dalam penelitian ini digambarkan pada gambar 2.
Gambar 2 Tahapan Penelitian
Tahapan penelitian terdiri dari tahap input citra, pengolahan citra dan tahap klasifikasi 3.1 Citra Input
Pada tahap ini diambil sejumlah data sebagai citra input yang terdiri dari dua data set yaitu data training dan data tes. Masing-masing data set terdiri dari dua kategori yaitu sayuran segar dan tidak segar
3.2 Pengolahan Citra
Pada tahap ini dilakukan proses pengolahan citra untuk mendapatkan ekstraksi fitur dari citra input, yang terdiri dari tahap konvolusi dan maxpooling
1. Tahap Konvolusi
Pada penelitian ini digunakan filter yang berukuran , dengan jumlah filter yang digunakan sebanyak 32 filter. Artinya setiap citra dalam dataset akan memiliki 32 hasil konvolusi. Selanjutnya fungsi aktivasi yang digunakan adalah fungsi Rectified Linear Unit (ReLU). Pada tahap ini citra input memiliki ukuran . (w) merupakan lebar matriks, (h) merupakan tinggi matriks, sedankan 3 menunkukan depth dari citra tersebut (mempunyai 3 warna, yaitu R, G, dan B).
2. Tahap MaxPooling
Pada tahap ini matriks citra hasil proses Convolution akan dibagi menjadi beberapa matriks yang berukuran . Proses dimulai dengan melakukan inisialisasi 2 variabel,
Citra Input Pengolahan Citra Klasifikasi Kesegaran Sayuran
yaitu variabel k dan l. Kedua variabel ini berfungsi sebagai counter dalam membagi matriks C, yang merupakan input dari proses ini, ke dalam beberapa bagian. Matriks C merupakan matriks 2 dimensi yang berukuran . Setelah itu, akan dibentuk sebuah matriks baru, yaitu matriks P. Setelah membentuk matriks P, program akan mengisi elemen pada matriks P dengan proses nested-loop menggunakan indeks i dan j, di mana i merupakan counter untuk indeks baris matriks P dan j merupakan counter untuk indeks kolom pada matriks P. Sebelum berpindah ke counter kolom selanjutnya, nilai dari variabel k telebih dahulu ditambah dengan 2, dan berlaku juga untuk perpindahan counter baris. Sebelum berpindah ke counter baris selanjutnya, nilai dari variabel l harus terlebih dahulu ditambah dengan 2. Jika seluruh elemen dari matriks P telah terisi, maka proses telah selesai dan matriks P selanjutnya akan digunakan sebagai input pada proses flattening
3.3 Klasifikasi
Pada tahap klasifikasi dilakukan proses flattening dan full connection 1. Tahap Flattening
Proses dilakukan dengan melakukan inisialisasi variabel a yang berfungsi sebagai counter untuk matriks F yaitu matriks yang menyimpan hasil dari proses flattening. Setelah itu proses ini akan menerima matriks P yang berukuran sebagai input, kemudian program akan membentuk matriks F menggunakan nested-loop Proses pengisian matriks F tidaklah sulit. Program hanya perlu menyalin nilai dari elemen P[i][j] ke elemen F[a][1]. Setelah proses menyalin selesai, program akan mengubah nilai variabel a dengan cara menambah nilai variabel a dengan 1. Setelah semua elemen matriks F terisi, selanjutnya matriks F digunakan sebagai input dari proses full connection.
2. Tahap Full Connection
Pada tahap ini, matriks hasil pemrosesan semua citra dalam dataset akan dicari cirinya untuk dijadikan model. Setiap elemen dalam sebuah matriks akan dijadikan acuan untuk menentukan kesegaran sayur atau tidak. Caranya adalah dengan menghitung koefisien setiap elemen dari seluruh matriks hasil pemrosesan. Elemen yang nilainya ≥ 0.1 atau ≤ -0.1 akan dimasukan kedalam sebuah matriks, dan matriks tersebut yang akan dijadikan model untuk menentukan tingkat kesegaran sayuran
4. HASIL DAN PEMBAHASAN
4.1. Data Citra Input
Pada tahap ini diambil 180 data sebagai citra input yang terdiri dari dua data set yaitu 120 data training dan 60 data testing. Masing-masing data set terdiri dari dua kategori yaitu sayuran segar dan tidak segar. Data training masing-masing memiliki 60 data kategori sayuran segar dan tidak segar. Sedangkan untuk data testing masing-masing terdiri dari 30 data sayuran segar dan tidak segar
Gambar 4 Data training untuk sayuran tidak segar
Gambar 5 Data testing untuk sayuran segar
Gambar 6 Data testing untuk sayuran tidak segar 4.2. Hasil proses pengolahan citra
Pada tahap ini dihasilkan ekstraksi fitur dari hasil konvolusi dan maxpooling. Gambar 7 dan 8 berturut-turut menunjukkan hasil konvolusi dan full connection dari citra ke-1 yang terdapat pada data training
Gambar 7 Citra Hasil Konvolusi
Gambar 8 Citra Hasil MaxPooling 4.3 Hasil Klasifikasi
Gambar 9 menunjukkan hasil flattening yang merubah matrik menjadi sebuah vektor. Selanjutnya pada tahap full connection, vektor hasil pemrosesan semua citra dalam dataset akan dicari cirinya untuk dijadikan model untuk menentukan kesegaran sayuran.
Gambar 9 Citra Hasil MaxPooling tdk segar1.jpg tdk segar2.jpg tdk segar3.jpg tdk segar4.jpg
Tabel 1. Hasil perbandingan antara klasifikasi manual dengan program No. Citra Klasifikasi
Manual
Klasifikasi Program
1.
Tidak segar
(35 orang) Tidak segar 2.
Segar
(40 orang) Segar 3.
Segar
(24 orang) Tidak segar 4.
Tidak segar
(26 orang) Tidak segar 5. Tidak segar (31 orang) Segar 6. Tidak segar (41 orang) Segar 7. Segar
(35 orang) Tidak segar 8. Segar (39 orang) Segar 9. Segar (38 orang) Segar 10. Segar (34 orang) Segar 11. Tidak segar
No. Citra Klasifikasi Manual Klasifikasi Program 12. Tidak segar
(38 orang) Tidak segar 13.
Tidak segar
(41 orang) Tidak segar 14.
Segar
(22 orang) Segar 15.
Segar
(40 orang) Tidak segar 16.
Tidak segar
(28 orang) Tidak segar 17.
Segar
(29 orang) Tidak segar 18.
Segar
(39 orang) Segar 19.
Tidak segar
(38 orang) Tidak segar 20.
Segar
(36 orang) Tidak segar
Tabel 1 menunjukkan hasil perbandingan antara klasifikasi yang dilakukan oleh visual mata manusia dan dengan klasifikasi yang dilakukan oleh program dengan jumlah data sayuran sebanyak 20 citra sayuran dan jumlah responden sebanyak 41 responden. Berdasarkan tabel, diperoleh tingkat akurasi sebesar
5. KESIMPULAN
Berdasarkan tahapan dan implementasi yang dilakukan maka penelitian ini berhasil melakukan klasifikasi pada sayuran segar dan tidak segar dengan menggunakan metode CNN dengan tingkat akurasi terhadap sebesar 84,75%.
6. REFERENSI
[1] I Wayan Suartika E P, Arya Yudhi Wijaya, and Rully Soelaiman. Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101. Jurnal Teknik ITS, 05(01):65–69, 2016.
[2] Erlyna Nour Arrofiqoh dan Harintaka. Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi. Geomatika Volume 24 No.2: 61-68, 2018.
[3] Nur Fadila dan Rifki Kosasih. Klasifikasi Jenis Kendaraan Menggunakan Metode
Convolutional Neural Network (CNN). Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 3 Desember 2019.
[4] Rinaldi Munir. Pengolahan Citra Digital Bandung: Informatika. 2007.
[5] Nahila Khunafa Qudsi, Rosa Andrie Asmara, Arie Rachmad Syulistyo. Identifikasi Citra Tulisan Tangan Digital Menggunakan Convolutional Neural Network (CNN). Seminar Informatika Aplikatif Polinema (SIAP). 2019.
