1
KLASIFIKASI TANAMAN REMPAH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK BERBASIS R
Ahmad fajri Junaidi, Aidil Fitriansyah
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
ahmad.fajrijunaidi@student.unri.ac.id
ABSTRACT
Spices have many types. Some are used as seasoning for cooking and some are used as herbal medicine. Of the many spices that exist, it is not uncommon for spices to have a similar looks so few people have it difficult distinguishing them. For example, Ginger, Turmeric, Galangal, and Temulawak. This research aims to perform image recognition of the four spices and form a CNN classification model that can distinguish the four spices. This research will use 180 spice images as samples where each type has 45 image samples. Then the model is formed using the R programming language with the help of the Keras package and the tensorflow package. because making a neural network model using Keras does not need to write code to express mathematical calculations one by one. Testing with a sample of 40 spice images shows an accuracy rate of 85% which is considered to have been able to classify the differences between the types of spices that tested.
Keywords : Galangal, Ginger, Image, Image Preprocessing, Keras, R, Spice, Temulawak, Turmeric.
ABSTRAK
Rempah memiliki banyak sekali jenis. Ada yang dijadikan bumbu masakan ada pula yang dijadikan sebagai obat herbal. Dari banyaknya rempah yang ada, tak jarang ada rempah yang memiliki sekilas terlihat mirip sehingga tidak sedikit orang yang sulit membedakannya. Contohnya seperti Jahe, Kunyit, Lengkuas, dan Temulawak. Penelitan ini bertujuan untuk melakukan pengenalan citra dari ke-empat rempah tersebut dan membentuk model klasifikasi CNN yang dapat membedakan ke-empat rempah tersebut.
Penelitian ini akan menggukan 40 citra rempah sebagai sampel dimana masing-masing
2 jenisnya terdapat 45 sampel citra. Kemudian dibentuk model menggunakan bahasa pemograman R dengan bantuan package Keras dan package tensorflow. Dikarenakanan pembuatan model jaringan syaraf menggunakan Keras tidak perlu menuliskan kode untuk mengekspresikan perhitungan matematisnya satu persatu. Pengujian dengan sampel 180 citra rempah menunjukkan tingkat akurasi sebesar 85% yang dinilai telah mampu untuk mengklasifikasikan perbedaan antara jenis rempah yang diuji.
Kata Kunci : Citra, Image Preprocessing, Jahe, Kunyit, Lengkuas, Keras, R, Rempah, Temulawak.
PENDAHULUAN
Rempah-rempah adalah salah satu sumberdaya hayati yang telah dimanfaatkan oleh manusia untuk berbagai keperluan. Rempah-rempah memiliki nilai ekonomi yang sangat penting dan menjadi ssalah satu sumber pendapatan di banyak negara. Rempah- rempah seringsekali digunakan sebagai bumbu penyedap, penguat cita rasa, pengharum dan pewarna alami pada makanan. Bahkan banyak rempah-rempah yang digunakan sebagai bahan obat tradisional karena tingginya antioksidan yang terkandung didalamnya.
Ada beberapa rempah yang memiliki bentuk yang hampir serupa. Seperti jahe, lengkuas, kunyit, dan temulawak. Rempah-rempah ini adalah rempah yang memiliki bentuk yang hampir serupa dan sama-sama berasal dari rimpang tanaman. Tak jarang pula orang-orang keliru dalam membedakan ke-empat rempah tersebut, padahal setiap rempah memiliki khasiat dan cita rasa yang berbeda-beda. Penelitian ini bertujuan untuk mengetahui akurasi dari pengklasifikasian dari ke-empat rempah yang sekilas terlihat mirip ini menggunakan metode Convolutional Neural Network.
METODE PENELITIAN
a. Penelitian terdahulu
Shafira (2018) melakukan penelitian tentang “Implementasi Convolutional Neural Network Untuk Klasifikasi Citra Tomat Menggunakan Keras”. Peneliti melakukan penelitian tentang tingkat kelayakan tomat menggunakan metode Convolutional Neural Network dan mendapatkan hasil pengujian sebesar 90%.
b. Klasifikasi
Menurut Wibawa (2018) Klasifikasi merupakan cara pengelompokkan benda berdasarkan ciri-ciri yang dimiliki oleh objek klasifikasi. Dalam prosesnya, klasifikasi dapat dilakukan dengan banyak cara baik secara manual ataupun dengan bantuan teknologi. Klasifikasi yang dilakukan secara manual adalah klasifikasi yang dilakukan
3 oleh manusia tanpa adanya bantuan dari algortima cerdas komputer. Sedangkan klasifikasi yang dilakukan dengan bantuan teknologi.
c. Rempah
De Guzman dan Siemonsma (dalam Hakim, 2015:1) menjelaskan bahwa rempah- rempah adalah bagian tanaman yang berasal dari bagian batang, daun, kulit kayu, umbi, rimpang, akar, biji, bunga, atau bagian-bagian tubuh tumbukan lainnya. bagian tanaman tersebut mengandung ditokimia yang dihasilkan dari proses metabolisme tanaman.
d. Pengolahan Citra
Pengolahan citra digital adalah proses mengolah piksel-piksel dalam citra digital untuk suatu tujuan tertentu. Tujuan pengolahan citra digital antara lain dapat memperbaiki kualitas gambar dilihat dari aspek radiometrik (peningkatan kontras, transformasi warna, restorasi citra) dan dari aspek geometrik (rotasi, translasi, skala, transformasi geometrik). Pengolahan citra digital juga dilakukan untuk penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra tersebut (Hermawati, 2013).
Proses pengolahan citra secara diagram proses dimulai dari pengambilan citra, perbaikan kualitas cutra, sampai dengan pernyataan representasi citra yang dicitrakan.
Representatif citra adalah menyatakan data piksel ke dalam bentuk data yang mampu diolah oleh komputer. Proses pengolahan citra dapat dilihat pada Gambar 1.
Gambar 1. Proses Pengolahan Citra
e. Convolutional Neural Network
Nama konvolusi sendiri merupakan operasi aljabar linear yang mengkalikan matriks dari filter pada citra yang akan diproses. Proses ini disebut lapisan konvolusi dan merupakan salah satu jenis dari banyak lapisan yang bisa dimiliki dalam satu jaringan. Lapisan konvolusi merupakan lapisan utama yang paling penting untuk digunakan. Jenis lapisan lain yang biasa digunakan adalah Pooling Layer, yakni lapisan yang digunakan untuk mengambil nilai maksimal atau nilai rata-rata dari bagian-bagian piksel pada citra. Gambaran umum Convolutional Neural Network dapat dilihat pada Gambar 2.
Gambar 2. Contoh Jaringan Convolutional Neural (CNN)
4 Pada Gambar 2 menunjukkan setiap lapisan input yang dimasukkan memiliki volume yang berbeda dan mewakili dengan kedalaman, tinggi dan lebar. Setiap besaran yang didapatkan tergantung dari hasil filtrasi dari lapisan sebelumnya dan juga banyak filter yang digunakan. Model jaringan seperti ini sudah terbukti sangat ampuh dalam menangani permasalahan klasifikasi citra (Arfian, 2018).
f. Convolutional Layer
Convolutional layer terdiri dari neuron yang tersusun sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan tinggi (piksel).
Gambar 3. Convolutional Layer Jahe
Gambar 3 adalah RGB (Red, Green, Blue) image berukuran 32x32 piksel yang sebenarnya adalah multidimensional array dengan ukuran 32x32x3 (3 adalah jumlah channel).
Sebagai contoh seperti pada Gambar 4, layer pertama pada feature extraction layer biasanya adalah conv. layer dengan ukuran 5x5x3. Panjang 5 piksel, tinggi 5 piksel dan tebal/jumlah 3 buah sesuai dengan channel dari image tersebut. Dan filter berukuran 3x3x3 dimana panjang 3 piksel, tinggi 3 piksel dan tebal 3 channel.
Ketiga filter ini akan digeser keseluruh bagian dari data citra. Setiap pergeseran akan dilakukan operasi “dot” antara input dan nilai dari filter tersebut sehingga menghasilkan sebuah output atau biasa disebut sebagai activation map atau feature map seperti yang ditunjukkan pada Gambar 4.
5 Gambar 4. Feature Map
Untuk menghitung dimensi output dari feature map, dapat dicari dengan menggunakan persamaan 1:
……….(1) Dimana;
OF = Output feature map W = Panjang / Tinggi Input N = Panjang / Tinggi Filter P = Zero Padding
S = Stride
Setelah didapatkan sebuah output, selanjutnya bisa didapatkan neuron / parameter yang dapat diproses setelah dilakukan operasi konvolusi (Sena, 2017).
Menurut Karim (2019) jumlah parameter Convolutional layer dapat dihitung dan ditunjukkan pada persamaan 2:
( ( ) ) ....………...(2) Dimana;
num_params = Paramenter
I = Jumlah Input maps (atau channel)
f = Ukuran filter
O = Jumlah channel / Jumlah filter yang digunakan
6 g. Pooling Layer
Pooling layer biasanya berada setelah conv. layer. Pada prinsipnya pooling layer terdiri dari sebuah filter dengan ukuran dan stride tertentu yang akan bergeser pada seluruh area feature map.
Pooling yang biasa digunakan adalah Max Pooling dan Average Pooling. Sebagai contoh jika kita menggunakan Max Pooling 2x2 dengan stride 2, maka pada setiap pergeseran filter, nilai maximum pada area 2x2 piksel tersebut yang akan dipilih, sedangkan Average Pooling akan memilih nilai rata-ratanya. Proses pooling layer dilakukan seperti pada Gambar 5.
Gambar 5. Pooling Layer
Tujuan dari penggunaan pooling layer adalah mengurangi dimensi dari feature map (downsampling), sehingga mempercepat komputasi karena parameter yang harus diupdate semakin sedikit dan mengatasi overfitting (Sena, 2017).
h. Fully Connected Layer
Feature map yang dihasilkan dari feature extraction layer masih berbentuk multidimensional array, sehingga kita harus melakukan “flatten” atau reshape feature map menjadi sebuah vector agar bisa kita gunakan sebagai input dari fully-connected layer (Sena, 2017).
Setiap neuron pada convolution layer perlu ditransformasi menjadi data satu dimensi terlebih dahulu sebelum dapat dimasukkan ke dalam sebuah fully connected layer. Karena hal tersebut menyebabkan data kehilangan informasi spasialnya dan tidak reversibel, fully connected layer hanya dapat diimplementasikan di akhir jaringan.
i. Dropout Regularization
Dropout merupakan proses mencegah terjadinya overfitting dan juga mempercepat proses learning. Dropout mengacu kepada menghilangkan neuron yang berupa hidden maupun layer yang visible di dalam jaringan. Dengan menghilangkan
7 suatu neuron, berarti menghilangkannya sementara dari jaringan yang ada. Neuron yang akan dihilangkan akan dipilih secara acak. Setiap neuron akan diberikan probabilitas yang bernilai antara 0 dan 1 (Shafira, 2018).
j. Softmax Classifier
Fungsi Softmax menghitung probabilitas dari setiap kelas target atas semua kelas target yang memungkinkan dan akan membantu untuk menentukan kelas target untuk input yang diberikan. Keuntungan utama menggunakan Softmax adalah rentang probabilitas output dengan nilai 0 hingga 1, dan jumlah semua probabilitas akan sama dengan satu.
Jika fungsi softmax digunakan untuk model multi-klasifikasi, softmax akan mengembalikan peluang dari masing-masing kelas dan kelas target akan memiliki probabilitas tinggi. Softmax menggunakan eksponensial (e-power) dari nilai input yang diberikan dan jumlah nilai eksponensial dari semua nilai dalam input. Maka rasio eksponensial dari nilai input dan jumlah nilai eksponensial adalah output dari fungsi softmax (Sofia, 2018).
HASIL DAN PEMBAHASAN
a. Pengumpulan Data
Data yang diperoleh pada penelitian ini data citra rempah yang bersumber dari google image dan citra yang diambil sendiri menggunakan kamera ponsel dengan latar gambar berwarna putih. Data citra pada penelitian ini berjumlah 180 data dimana 45 data dari citra jahe, 45 data dari citra kunyit, 45 data dari citra lengkuas, dan 45 data dari citra temulawak.
Selanjutnya data citra akan dibagi menjadi data training dan data testing. Dimana 35 citra dari masing-masing rempah menjadi data training dan sisa 10 citra akan menjadi data testing . Pembagian data citra untuk masing-masing rempah ditunjukan dalam Tabel 1.
Tabel 1 Pembagian Data Penelitian
Data Citra Data Training Data Testing
Jahe 35 10
Kunyit 35 10
Lengkuas 35 10
Temulawak 35 10
Jumlah 140 40
8 b. Implementasi Algoritma CNN
Implementasi Algoritma Convolutional Neural Network (CNN) yang dilakukan terdiri dari proses konvolusi, fungsi aktivasi, dan pooling. Banyak proses dapat disesuaikan dengan kebutuhan penelitian. Model yang dibuat akan terdiri dari beberapa jenis layer, yaitu convolution layer, pooling layer, dropout layer, flatten layer, dan dense layer. Proses konvolusi akan dilakukan sebanyak 4 kali ditunjukan oleh banyaknya convolution layer yang digunakan pada penelitian ini. Arsitektur CNN dapat dilihat pada Gambar 6.
Gambar 6. Arsitektur CNN
Fungsi aktivasi menggunakan ReLu dan ukuran filter yang digunakan pada setiap convolution layer sebesar 3 x 3 piksel. Pooling akan dilakukan 2 kali yaitu setelah 2 kali proses konvolusi pertama dan setelah 2 kali proses konvolusi selanjutnya. Ini dilakukan agar ukuran input tidak berkurang banyak selama proses dilakukan sehingga data input yang dimiliki masih dapat digunakan untuk proses klasifikasi.
Untuk jumlah filter, digunakan sebanyak 32 filter pada 2 konvolusi pertama dan 64 filter pada 2 konvolusi setelahnya. Jumlah filter yang lebih banyak digunakan di akhir karena pada lapisan tersebut memiliki ukuran input yang lebih kecil sehingga dibutuhkan filter yang lebih banyak untuk mengekstrak informasi citra. Pada proses klasifikasi, softmax classifier digunakan untuk memberikan hasil yang dapat memudahkan dalam melakukan klasifikasi dari interpretasi kemungkinan dari semua label yang dihasilkan.
Proses yang digunakan dalam model ini dimulai dengan melakukan encoding mulai dari dalam bentuk data citra hinggal menjadi data berupa angka yang merepresentasikan citra tersebut. Proses dan perhitungan yang dulakukan pada setiap layer adalah sebagai berikut:
1. Perhitungan pada Convolution Layer Pertama
Dalam operasi perhitungan konvolusi pertama, citra yang digunakan sebagai input berukuran 32 x 32 piksel sebenarnya adalah sebuah array berdimensi banya dengan ukuran 32 x 32 x 3 (3 adalah jumlah channel). Filter akan digerakan dengan stride 1 keseluruh bagian citra mulai dari sudut kiri atas sampai sudut kanan bawah. Perhitungan matematis akan dilakukan pada setiap pergerakannya. Dan output filter yang digunakan adalah sejumlah 32.
9 Output feature map yang dihasilkan dalam konvolusi pertama ini adalah 30 x 30 piksel dengan jumlah parameter sebanyak 896. Melalui persamaan 1 dan 2 didapatlah hasil perhitungan sebagai berikut:
( )
( ( ) ) 2. Perhitungan pada Convolution Layer Kedua
Dalam operasi perhitungan konvolusi kedua ini hanya mengulang operasi pada konvolusi pertama dengan nilai input maps yang berbeda yaitu sejumlah 32. Hasil output feature map pada operasi konvolusi kedua ini adalah 28 x 28 piksel dengan parameter sebanyak 9.248. Melalui persamaan 1 dan 2 didapatlah hasil perhitungan sebagai berikut:
( )
( ( ) ) 3. Perhitungan dengan Max Pooling Layer pertama
Pooling layer terdiri dari sebuah filter dengan ukuran stride tertentu yang akan bergeser keseluruh bagian. Tujuan dari penggunaan pooling layer adalah untuk mengurangi dimensi dari feature map. Pooling layer yang digunakan adalah max pooling dengan ukuran 2 x 2 piksel. Max pooling akan menghasilkan feature map berukuran 14 x 14 piksel dikarenakan max pooling akan membagi ukurang width dan height feature map dengan Pooling Layer.
4. Dropout Regulization Pertama
Pada proses dropout regulization, metode ini akan mengambil beberapa neron secara acak dan tidak digunakan selama pelatihan. dengan ini jaringan dan bobot baru tidak akan dimasukan ke dalam neuron yang diambil selama proses dropout regulization pada saat backpropagation. Backpropagation adalah metode yang digunakan untuk meminimalisir kesalahan dan kegagalan serta menggunakan memori yang lebih kecil.
5. Perhitungan pada Convolution Layer Ketiga
Operasi konvolusi ketiga hanya akan mengulangi proses operasi konvolusi sebelumnya tetapi dengan input maps dan output filter yang berbeda. Input maps yang digunakan sejumlah 32 dan output filter yang digunakan adalah sejumlah 64. Operasi konvolusi ketiga ini akan menghasilkan output feature map sebesar 12 x 12 piksel dengan parameter sebanyak 18.496. Melalui persamaan 1 dan 2 didapatlah hasil perhitungan sebagai berikut:
( )
( ( ) )
10 6. Perhitungan pada Convolution Layer Keempat
Dan untuk operasi konvolusi keempat ini nilai input maps yang digunakan adalah sejumlah 64 dan output filter sejumlah 64. Pada perhitungan operasi konvolusi keempat ini output feature map yang dihasilkah adalah 10 x 10 piksel dengan parameter berjumlah 36.928. Melalui persamaan 1 dan 2 didapatlah hasil perhitungan sebagai berikut:
( )
( ( ) ) 7. Perhitungan dengan Max Pooling Layer Kedua
Setelah 2 kali operasi konvolusi selanjutnya adalah proses pooling layer kedua yang juga menggunakan Max Pooling berukuran 2 x 2 piksel. Operasi ini akan menghasilkan feature map berukuran 5 x 5 piksel. Max Pooling akan menbagi ukuran width dan height feature map dengan pooling layer.
8. Dropout Regulization Kedua
Dilanjutkan dengan proses dropout regulization kedua, dimana metode ini akan kembali mengambil lagi beberapa neuron secara acak dan tidak dipakai selama penelitian. Digunakannya kembali dropout regulization bertujuan untuk lebih mempercepat proses learning.
9. Flatten dan Dense
Tabel 2. Model Klasifikasi
Layer (type) Output Shape
(OF)
Param#
(num_params)
Conv2d_1 (Conv2D) (None, 30, 30, 32) 896
Conv2d_2 (Conv2D) (None, 28, 28, 32) 9.248
Max_pooling2d_1
(MaxPooling2D) (None, 14, 14, 32) 0
Dropout_1 (Dropout) (None, 14, 14, 32) 0
Conv2d_3 (Conv2D) (None, 12, 12, 64) 18.496
Conv2d_4 (Conv2D) (None, 10, 10, 64) 36.928
Max_pooling2d_2
(MaxPooling2D) (None, 5, 5, 64) 0
Dropout_2 (Dropout) (None, 5, 5, 64) 0
Flatten_1 (Flatten) (None, 1.600) 0
Dense_1 (Dense) (None, 256) 409.856
Dropout_3 (Dropout) (None, 256) 0
Dense_2 (Dense) (None, 4) 1028
Total params: 476.452 Trainable params: 476.452 Non-trainable params: 0
11 Karena hasil konvolusi adalah feature map yang masih dalam bentuk multidimensional array, maka akan dilakukan reshape atau flatten feature map menjadi sebuah vektor agar dapat digunakan sebagai input dari fully-connected layer agar klasifikasi citra untuk menentukan jenis rempah dapat dilakukan.
Keseluruhan proses yang telah dilakukan menghasilkan model klasifikasi seperti pada Tabel 2 yang menampilkan ukuran output dan jumlah parameter yang dihasilkan di setiap tahapan.
10. Fit Model
Langkah selanjutnya adalah melakukan pelatihan data citra ke dalam model dengan fit model. Fit model ini menggunakan epoch sebanyak 175 epoch dan batch size sebanyak 32. Epoch berarti berapa kali jaringan akan melihat seluruh kumpulan data, sedangkan batch_size adalah jumlah contoh pelatihan dalam satu forward / backward pass. Semakin tinggi nilai batch_size maka semakin besar juga memori yang dibutuhkan.
Setelah dilakukan fit model, maka akan terlihat kinerja keseluruhan dari loss dan akurasi berdasarkan epoch yang digunakan. Kinerja dari loss dan akurasi model yang terbentuk ditunjukkan melalui grafik pada Gambar 7.
Gambar 7. Grafik Loss dan Akurasi dari Data Training dan Data Testing
Dilihat dari Gambar 7 terlihat adanya korelasi antara nilai akurasi dan nilai loss pada data training dengan banyaknya epoch. Semakin banyak epoch yang digunakan
12 maka semakin tinggi nilai akurasi pada data training. Sebaliknya untuk nilai loss, semakin makin besar epoch yang digunakan maka nilai loss yang dihasilkan semakin rendah. Berdasarkan hal tersebut, dapat disimpulkan bahwa untuk memperkecil nilai loss maka dapat dilakukan dengan memperbanyak jumlah epoch pada proses training.
Tetapi untuk nilai akurasi dan nilai loss pada data testing, tidak terdapat korelasi dengan banyaknya epoch.
c. Pengujian Model dan Evaluasi
Setelah dilakukan seluruh proses implementasi, maka akan terbentuk sebuah model CNN yang dapat digunakan untuk pengujian. Pengujian model dilakukan dengan menggunakan data training dan data testing. Pengujian ini bertujuan untuk melihat tingkat akurasi dari model CNN yang digunakan. Uji coba dilakukan terhadap data citra yang dibagi menjadi empat kategori, yaitu jahe, kunyit, lengkuas, dan temulawak. Data citra untuk data training yang diuji sebanyak 140 data citra dimana pada setiap kategori terdiri dari 35 data citra. Uji coba yang dilakukan terhadap data training memiliki akurasi sebesar 99,28%. Nilai tersebut menunjukan bahwa model mampu melakukan klasifikasi terhadap data citra dengan baik. Berikut adalah rincian perhitungan akurasi model pada keempat kategori data citra tersebut:
Tabel 3. Rincian Perhitungan Akurasi Model Untuk Data Training
Label Kategori Benar Salah Jumlah
Jahe 35 0 35
Kunyit 35 0 35
Lengkuas 35 0 35
Temulawak 34 1 35
Jumlah 139 1 140
Akurasi 99,28%
Selanjutnya adalah uji coba model CNN terhadap data testing. Data citra untuk data testing terdapat 40 data dimana masing-masing kategori terdiri dari 10 data citra.
Berikut adalah rincian perhitungan akurasi model pada keempat kategori data citra tersibut:
Tabel 4. Rincian Perhitungan Akurasi Model Untuk Data Testing
Label Kategori Benar Salah Jumlah
Jahe 8 2 10
Kunyit 9 1 10
Lengkuas 7 3 10
Temulawak 10 0 10
Jumlah 34 6 40
Akurasi 85%
13 Berdasarkan Tabel 4, diketahui bahwa nilai akurasi terhadap klasifikasi data citra rempah adalah 85%. Nilai tersebut dapat dinyatakan tinggi dan mampu untuk melakukan klasifikasi terhadap tanaman rempah.
Adapun cara model memprediksi kedalam kategori manakah data citra tersebut adalah dengan membandingkan nilai kecocokan pada setiap kategori dan memilih nilai terbesar sebagai hasil prediksi. Dimana semakin mendekati angka 1 maka semakin tinggi kecocokan data citra dengan kategori tersebut
Tabel 5. Contoh Prediksi Benar dan Prediksi salah
jahe kunyit lengkuas temulawak prediksi aktual 9,996700E-01 4,296248E-05 2,802107E-04 6,869127E-06 0 0 1,944660E-01 5,421702E-07 8,052753E-01 2,581695E-04 2 0
Sebagai contoh pada Tabel 5, nilai kecocokan data citra pertama pada kategori jahe adalah 9,996700 x 10-1 = 0,99967, pada kategori kunyi adalah 4,296248 x 10-5
=0,00004296248, pada kategori lengkuas adalah 2,802107 x 10-4 = 0,0002802107, dan pada kategori temulawak adalah 6,869127 x 10-6 = 0,000006869127 sehingga model CNN memprediksi bahwa data tersebut adalah citra dari jahe dan prediksi tersebut adalah benar.
Lalu pada data citra kedua dimana model CNN memprediksi data citra tersebut termasuk dalam kategori lengkuas yang seharusnya data tersebut adalah citra dari jahe.
Namun dikarenakan nilai kecocokan yang dihasilkan pada kategori lengkuas lebih besar dibanding pada kategori jahe, maka model CNN memprediksikan data tersebut adalah citra dari lengkuas dan prediksi tersebut adalah salah.
KESIMPULAN
berdasarkan hasil penelitian Klasifikasi Tanaman Rempah Menggunakan Metode Convolutional Neural Network Berbasis R ini dapat ditarik kesimpulan sebagai berikut:
1. Klasifikasi Tanaman Rempah Menggunakan Metode Convolutional Neural Network (CNN) ini dilakukan menggunakan Package Keras pada software RSudio Desktop Version versi 2022.02.3 dengan R versi 4.2.0. jumlah laver konvolusi yang digunakan yaitu sebanyak empat layer, fungsi aktivasi yang digunakan yaitu ReLu, dan beberapa parameter lainnya.
2. Data citra yang digunakan untuk data training berjumlah 140 data citra, sedangkan untuk data testing berjumlah 40 data citra.
3. Tingkat akurasi data training yang didapatkan dari model CNN yaang terbentuk yaitu sebesar 99,28% sedangkan tingkat akurasi data testing yang didapatkan yaitu 85%. Sehingga dapat disimpulkan bahwa metode CNN mampu melakukan klasifikasi tanaman rempah.
14
DAFTAR PUSTAKA
Arfian. 2018. Implementasi Convolutional Neural Network Terhadap Transportasi Tradisional Menggunakan Keras. Tugas Akhir. Yogyakarta: Universitas Islam Indonesia.
Hakim, L. 2015. Rempah dan Herba Kebun-Pekarangan Rumah Masyarakat:
Keragaman, Sumber Fitofarmaka dan Wisata Kesehatan-Kebugaran. Yogyakarta.
Penerbit: Diandra
Hermawati, F. A. 2013. Pengolahan citra digital. Yogyakarta. Penerbit: Andi.
Karim, R. 2019. Counting No. of Parameters in Deep Learning Models by Hand.
https://towardsdatascience.com/counting-no-of-parameters-in-deep-learning- models-by-hand-8f1716241889, 10 Oktober 2019, 10.15.
Sena, S. 2017. Pengenalan Deep Learning Part 7 : Convolutional Neural Network (CNN). https://medium.com/@samuelsena/pengenalan-deep-learning-part-7- convolutional-neural-network-cnn-b003b477dc94, 14 Juni 2019, 14.35.
Shafira, T. 2018. Implementasi Convolutional Neural Networks untuk Klasifikasi Citra Tomat Menggunakan Keras. Tugas Akhir. Yogyakarta: Universitas Islam Indonesia.
Sofia, N. 2018. Convolutional Neural Network. https://medium.com/@nadhifasofia/1- convolutional-neural-network-convolutional-neural-network-merupakan-salah- satu-metode-machine-28189e17335b, 14 Juni 2019, 15.00.
Wibawa, A. P., Purnama, M. G. A., Akbar, M. F., & Dwiyanto, F. A. 2018. Metode- metode Klasifikasi. In Prosiding Seminar Ilmu Komputer dan Teknologi Informasi Vol (Vol. 3, No. 1).
