KLASIFIKASI CITRA JENIS BUNGA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)
Laporan Tugas Akhir
Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Yulisha Dian Cahyaningrum
(201810370311270)
Bidang Minat
Sains Data
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2022
i
LEMBAR PERSETUJUAN
Klasifikasi Citra Jenis Bunga Menggunakan Metode Convolutional Neural Network (CNN)
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Menyetujui, Malang, Juli 2022
Pembimbing I
Yufis Azhar, S.Kom,M.Kom NIP. 108.1410.1544
Pembimbing II
Zamah Sari, S.T, M.T NIP. 108.1410.0555
LEMBAR PENGESAHAN
KLASIFIKASI CITRA JENIS BUNGA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Disusun Oleh:
Yulisha Dian Cahyaningrum NIM. 201810370311270
Tugas Akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis penguji pada tangal 19 Juli 2022
Menyetujui,
Penguji I
Agus Eko Minarno, S.Kom, M.Kom NIDN. 0729118203
Penguji II
Christian Sri Kusuma A., S.Kom, M.Kom NIDN. 0727029101
Mengetahui,
Ketua Jurusan Teknik Informatika
Galih Wasis Wicaksono, S.Kom., M.Cs.
NIDN. 0723028801
iii
LEMBAR PERNYATAAN
Yang bertanda tangan dibawah ini :
NAMA : YULISHA DIAN CAHYANINGRUM NIM 201810370311270
FAK./JUR. : TEKNIK/INFORMATIKA
Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul “KLASIFIKASI CITRA JENIS BUNGA MENGGUNAKAN METODE CONVOLUTIONAL NAURAL NETWORK (CNN)” beserta seluruh isinya adalah karya saya sendiri dan bukan merupakan karya tulis orang lain, baik sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan sumbernya. Demikian surat pernyataan saya buat dengan sebenar-benarnya. Apabila kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini maka saya siap menanggung segala bentuk resiko/sanksi yang berlaku.
Mengetahui
Dosen Pembimbing
(Yufis Azhar, S.Kom,M.Kom)
Malang, Juli 2022 Yang Membuat Pernyataan
(Yulisha Dian Cahyaningrum)
LEMBAR PERSEMBAHAN
Puji syukur kepada Allah SWT atas rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan Tugas Akhir ini. penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:
1. Bapak Yufis Azhar, S.Kom., M.Kom. dan Bapak Zamah Sari, S.T, M.T. selaku dosen pembimbing dalam penyusunan tugas akhir.
2. Bapak/Ibu Dekan Fakultas Teknik Universitas Muhammadiyah Malang.
3. Bapak Ir. Galih Wasis Wicaksono, S.Kom, M.Cs. selaku ketua jurusan teknik informatika Universitas Muhammadiyah Malang.
4. Bapak Mahar Faiqurahman, S.Kom., M.T. selaku dosen wali yang senantiasa membimbing selama proses perkuliahan berlangsung.
5. Bapak/Ibu Dosen Informatika Universitas Muhammadiyah Malang, yang telah memberikan ilmu bermanfaat selama proses perkuliahan.
6. Kedua orang tua yang senantiasa memberikan dukungan dari awal hingga mencapai titik saat ini, yang memberikan semangat serta selalu medoakan kebaikan saya.
7. Kepada saudari perempuan saya yang selalu memberikan motivasi dan dukungan.
8. Dwiki Giffari yang selalu menemani, memberikan semangat maupun support dari awal perkuliahan hingga saat ini.
9. Bella Berlian yang selalu menemani, memberikan semangat, menceritakan pengalaman saat sidang dan semhas, memberikan informasi/poin-poin yang penting saat melaksanakan presentasi.
10. Yunia, Tiara, Ulfah, Zalfa, Pepita, Lulita, Raffly, Bonnie, dan Husein yang memberikan motivasi untuk segera menyelesaikan laporan tugas akhir.
11. Mbak Sani, Mas Cakra, Mas Dhika, Kak Sufi, Bu Maria Desiree Muntu yang selalu menghibur setiap hari, membantu meringankan jobdesk saya di kantor, sehingga pengerjaan laporan tugas akhir lebih mudah dan selesai dengan baik.
12. Teman-teman yang menemani saya selama proses kuliah berlangsung, baik teman-teman di Kelas F maupun teman-teman dari kelas lain yang telah mengajarkan banyak hal kepada saya.
vii
13. Terimakasih untuk diri saya sendiri yang telah berjuang dan mampu bertahan dalam keadaan apapun hingga sampai pada titik ini dan dapat menyelesaikan Laporan Tugas Akhir ini dengan baik.
Malang, 06 Juli 2022
Yulisha Dian Cahyaningrum
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan rahmat dan hidayah-NYA sehingga peneliti dapat menyelesaikan tugas akhir yang berjudul:
“KLASIFIKASI CITRA JENIS BUNGA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)”
Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi latar belakang, metode penelitian, serta hasil dan pembahasan yang telah didapat dari proses penelitian ini dan telah disimpulkan berdasarkan hasil yang telah didapat pada proses penelitian ini.
Peneliti menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu peneliti mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan.
Malang, 06 Juli 2022
Yulisha Dian Cahyaningrum
ix
DAFTAR ISI
HALAMAN JUDUL
LEMBAR PERSETUJUAN... i
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ... iii
ABSTRAK ... iv
ABSTRACT ... v
LEMBAR PERSEMBAHAN ... vi
KATA PENGANTAR ... viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 5
1.3 Tujuan Penelitian ... 5
1.4 Batasan Masalah ... 5
BAB II TINJAUAN PUSTAKA ... 7
2.1 Studi Literatur ... 7
2.2 Bunga ... 8
2.3 Augmentasi Data ... 9
2.4 Convolutional Neural Network ... 9
2.4.1 Convolutional Layer ... 10
2.4.2 Pooling Layer ... 11
2.4.3 Fully Connected Layer... 12
2.4.4 Dropout Layer ... 12
2.4.5 Batchnormalization Layer ... 13
2.5 Transfer Learning ... 13
2.6 Evaluasi ... 14
BAB III METODOLOGI PENELITIAN ... 17
3.1 Rancangan Penelitian ... 17
3.2 Identifikasi Masalah ... 17
3.3 Pengumpulan Dataset ... 18
3.4 Preprocessing ... 19
3.5 Pembagian Dataset ... 19
3.6 Augmentasi Data ... 19
3.7 Implementasi Model CNN ... 20
3.8 Layer Batchnormalization dan Layer Dropout ... 21
3.9 Skenario Pengujian pada Data Test ... 22
BAB IV HASIL DAN PEMBAHASAN ... 23
4.1 Import Library ... 23
4.2 Load dataset ... 23
4.3 Preprocessing Data ... 24
4.4 Pembagian Dataset ... 24
4.5 Augmentasi Data ... 25
4.6 Pengujian dan Evaluasi... 26
4.6.1 Pengujian dan Evaluasi Skenario 1 ... 26
4.6.2 Pengujian Skenario 2 ... 31
BAB V ... 35
KESIMPULAN ... 35
5.1 Kesimpulan ... 35
5.2 Saran ... 35
xi
DAFTAR GAMBAR
Gambar 2. 1 Ilustrasi Augmentasi Data ... 9
Gambar 2. 2 Struktur Metode Convolutional Neural Network ... 10
Gambar 2. 3 Convolutional Layer ... 11
Gambar 2. 4 Representasi Penerapan Pooling Layer ... 11
Gambar 2. 5 Struktur Fully Connected Layer ... 12
Gambar 2. 6 Tidak Menggunakan Dropout Layer (a) Menggunakan Dropout Layer (b) ... 13
Gambar 3. 1 Rancangan Penelitian ... 17
Gambar 3. 2 Contoh Dataset Daisy (a), Dandelion (b), Rose (c), Sunflower (d), Tulip (e) ... 19
Gambar 4. 1 Implementasi Library Zipfile pada Dataset ... 24
Gambar 4. 2 Labelling pada Dataset ... 24
Gambar 4. 3 Implementasi Layer Model 1 ... 26
Gambar 4. 4 Hasil Grafik Accuracy Model 1(a), Hasil Grafik Loss Model 1(b) .. 27
Gambar 4. 5 Hasil Confusion Matrix Model 1 ... 28
Gambar 4. 6 Hasil Classification Report Model 1 ... 29
Gambar 4. 7 Implementasi Layer pada Model 2 dan 3 ... 29
Gambar 4. 8 Hasil Grafik Accuracy Model 2 (a), Hasil Grafik Loss Model 2 ... 30
Gambar 4. 9 Hasil Confusion Matrix Model 2 ... 31
Gambar 4. 10 Hasil Classification Report Model 2 ... 31
Gambar 4. 11 Hasil Grafik Accuracy Model 3(a), Hasil Grafik Loss Model 3(b) 33 Gambar 4. 12 Hasil Confusion Matrix Model 3 ... 33
Gambar 4. 13 Hasil Classification Report Model 3 ... 34
DAFTAR TABEL
Tabel 2. 1 Rincian Penelitian Terdahulu ... 7
Tabel 2. 2 Arsitektur Layer pada MobileNet ... 14
Tabel 2. 3 Tabel Hasil Pengujian ... 15
Tabel 3. 1 Augmentasi Data pada Program ... 20
Tabel 3. 2 Fungsi dan Parameter yang Digunakan untuk Proses Klasifikasi ... 21
Tabel 4. 1 Library yang Digunakan Pada Program ... 23
Tabel 4. 2 Pembagian Dataset ... 24
Tabel 4. 3 Augmentasi Data yang Dilakukan pada Dataset ... 25
Tabel 4. 4 Rekap Hasil dari Ketiga Model ... 34
37
DAFTAR PUSTAKA
[1] E. Design, “模具制造中的电极设计与加工 2 2 2,” pp. 86–89, 2009.
[2] T. P. M. F. Kelly, “Struktur Tumbuhan,” Angew. Chemie Int. Ed. 6(11), 951–
952., 2020.
[3] M. Gonzalez, “Agronomic Techno Scinnce ( ATOS ).”
[4] M. Zainuri and D. P. Pamungkas, “Implementasi Metode Convolutional Neural Network (CNN) Untuk Klasifikasi Jenis Bunga Anggrek,” Seminar Nasional Inovasi Teknologi. pp. 87–92, 2020.
[5] M. A. Abu, N. H. Indra, A. H. A. Rahman, N. A. Sapiee, and I. Ahmad, “A study on image classification based on deep learning and tensorflow,” Int. J.
Eng. Res. Technol., vol. 12, no. 4, pp. 563–569, 2019.
[6] A. K. Sahoo, C. Pradhan, R. K. Barik, and H. Dubey, “DeepReco: Deep learning based health recommender system using collaborative filtering,”
Computation, vol. 7, no. 2, 2019, doi: 10.3390/computation7020025.
[7] A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” J. Appl.
Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020, doi:
10.30871/jaic.v4i1.2017.
[8] C. Ning and F. You, “Optimization under uncertainty in the era of big data and deep learning: When machine learning meets mathematical programming,” Comput. Chem. Eng., vol. 125, pp. 434–448, 2019, doi:
10.1016/j.compchemeng.2019.03.034.
[9] A. Perbandingan, A. Svm, and D. A. N. C. N. N. Untuk, “Comparative Analysis of Image Classification Algorithm for,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 2, pp. 311–318, 2021, doi: 10.25126/jtiik.202184553.
[10] Z. Jiantao and C. Shumin, “Research on Flower Image Classification Algorithm Based on Convolutional Neural Network,” J. Phys. Conf. Ser., vol. 1994, no. 1, 2021, doi: 10.1088/1742-6596/1994/1/012034.
[11] K. Han, J. He, Y. Wang, Y. Xiong, and C. Zhang, “An Image Classification Approach based on Deep Learning and Transfer Learning,” IOP Conf. Ser.
Mater. Sci. Eng., vol. 768, no. 7, 2020, doi: 10.1088/1757- 899X/768/7/072055.
[12] Q. Zheng, M. Yang, X. Tian, N. Jiang, and D. Wang, “A full stage data augmentation method in deep convolutional neural network for natural image classification,” Discret. Dyn. Nat. Soc., vol. 2020, 2020, doi:
10.1155/2020/4706576.
[13] C. Li et al., “Data Augmentation for Inertial Sensor Data in CNNs for Cattle Behavior Classification,” IEEE Sensors Lett., vol. 5, no. 11, pp. 1–4, 2021, doi: 10.1109/LSENS.2021.3119056.
[14] C. H. Lin, C. S. Lin, P. Y. Chou, and C. C. Hsu, “An Efficient Data Augmentation Network for Out-of-Distribution Image Detection,” IEEE Access, vol. 9, pp. 35313–35323, 2021, doi:
10.1109/ACCESS.2021.3062187.
[15] R. Xin, J. Zhang, and Y. Shao, “Complex network classification with convolutional neural network,” Tsinghua Sci. Technol., vol. 25, no. 4, pp.
447–457, 2020, doi: 10.26599/TST.2019.9010055.
[16] Anonim, “Bab II Landasan Teori,” J. Chem. Inf. Model., vol. 53, no. 9, pp.
8–24, 2019.
[17] A. Ajit, K. Acharya, and A. Samanta, “A Review of Convolutional Neural Networks,” Int. Conf. Emerg. Trends Inf. Technol. Eng. ic-ETITE 2020, pp.
1–5, 2020, doi: 10.1109/ic-ETITE47903.2020.049.
[18] Y. Liu, F. Tang, D. Zhou, Y. Meng, and W. Dong, “Flower classification via convolutional neural network,” Proc. - 2016 IEEE Int. Conf. Funct. Plant Growth Model. Simulation, Vis. Appl. FSPMA 2016, pp. 110–116, 2017, doi:
10.1109/FSPMA.2016.7818296.
[19] Y. Zhijie, W. Lei, L. Li, L. Shiming, G. Shasha, and W. Shuquan, “Bactran:
A hardware batch normalization implementation for CNN training engine,”
IEEE Embed. Syst. Lett., vol. 13, no. 1, pp. 29–32, 2021, doi:
10.1109/LES.2020.2975055.
[20] C. Narvekar and M. Rao, “Flower classification using CNN and transfer learning in CNN-Agriculture Perspective,” Proc. 3rd Int. Conf. Intell.
Sustain. Syst. ICISS 2020, pp. 660–664, 2020, doi:
10.1109/ICISS49785.2020.9316030.
[21] B. Jabber, J. Lingampalli, C. Z. Basha, and A. Krishna, “Detection of covid-
39
19 patients using chest x-ray images with convolution neural network and mobile net,” Proc. 3rd Int. Conf. Intell. Sustain. Syst. ICISS 2020, pp. 1032–
1035, 2020, doi: 10.1109/ICISS49785.2020.9316100.
[22] M. M. Islam, M. R. Haque, H. Iqbal, M. M. Hasan, M. Hasan, and M. N.
Kabir, “Breast Cancer Prediction: A Comparative Study Using Machine Learning Techniques,” SN Comput. Sci., vol. 1, no. 5, pp. 1–14, 2020, doi:
10.1007/s42979-020-00305-w.
[23] M. Tian and Z. Liao, “Research on Flower Image Classification Method Based on YOLOv5,” J. Phys. Conf. Ser., vol. 2024, no. 1, p. 012022, 2021, doi: 10.1088/1742-6596/2024/1/012022.
[24] M. Sajjad, S. Khan, K. Muhammad, W. Wu, A. Ullah, and S. W. Baik,
“Multi-grade brain tumor classification using deep CNN with extensive data augmentation,” J. Comput. Sci., vol. 30, pp. 174–182, 2019, doi:
10.1016/j.jocs.2018.12.003.
[25] H. Zhang, L. Zhang, and Y. Jiang, “Overfitting and Underfitting Analysis for Deep Learning Based End-to-end Communication Systems,” 2019 11th Int. Conf. Wirel. Commun. Signal Process. WCSP 2019, pp. 1–6, 2019, doi:
10.1109/WCSP.2019.8927876.
