RECURRENT NEURAL NETWORK
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom.)
Leonardo Pratama 00000013411
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA
TANGERANG
2020
ii
LEMBAR PENGESAHAN
KLASIFIKASI PENYAKIT PADA DAUN JAGUNG BERBASIS CITRA DIGITAL DENGAN RECURRENT NEURAL
NETWORK
Oleh
Nama : Leonardo Pratama
NIM : 00000013411
Program Studi : Informatika
Fakultas : Tehnik dan Informatika
Tangerang, 22 April 2020
Ketua Sidang Dosen Penguji
Arya Wicaksana, S.Kom., M.Eng.Sc., OCA, CEH
Julio Christian Young, S.Kom., M.Kom.
Dosen Pembimbing
Marlinda Vasty Overbeek, S.Kom., M.Kom.
Mengetahui,
Ketua Program Studi Informatika
Nunik Afriliana, S.Kom., MMSI.
iii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT
Dengan ini saya:
Nama : Leonardo Pratama
NIM : 00000013411
Program Studi : Informatika
Fakultas : Tehnik dan Informatika
Menyatakan bahwa Skripsi yang berjudul “Klasifikasi Penyakit pada Daun Jagung Berbasis Citra Digital dengan Recurrent Neural Network” ini adalah karya ilmiah saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau lembaga lain, dan semua karya ilmiah orang lain atau lembaga lain yang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannya serta dicantumkan di Daftar Pustaka.
Jika di kemudian hari terbukti ditemukan kecurangan/ penyimpangan, baik dalam pelaksanaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang telah saya tempuh.
Tangerang, 22 April 2020
Leonardo Pratama
iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan di bawah ini:
Nama : Leonardo Pratama
NIM : 00000013411
Program Studi : Informatika
Fakultas : Tehnik dan Informatika Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui dan memberikan izin kepada Universitas Multimedia Nusantara hak Bebas Royalti non-eksklusif (Non- exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:
Klasifikasi Penyakit pada Daun Jagung Berbasis Citra Digital dengan Recurrent Neural Network
beserta perangkat yang diperlukan.
Dengan Hak Bebas Royalti Non-eksklusif ini, pihak Universitas Multimedia Nusantara berhak menyimpan, mengalihmedia atau format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkan atau mempublikasikan karya ilmiah saya di internet atau media lain untuk kepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikan royalty kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya imliah tersebut.
Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.
Tangerang 22 April 2020
Leonardo Pratama
v
HALAMAN PERSEMBAHAN/ MOTO
Karya ini kupersembahkan bagi seluruh anggota Keluarga dan Teman-teman terkasih.
Sabbe Satta Bhavantu Sukhitatta Semoga Semua Mahluk Berbahagia
~~Buddhis Theravāda~~
vi
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan restu-Nya laporan skripsi yang berjudul “Klasifikasi Penyakit Daun Jagung Berbasis Citra Digital dengan Recurrent Neural Network” ini dapat diselesaikan dengan baik dan tepat waktu. Penulis juga mengucapkan terima kasih kepada:
1. Dr. Ninok Leksono, Rektor Universitas Multimedia Nusantara, yang memberi inspirasi bagi penulis untuk berprestasi,
2. Friska Natalia, Ph.D., Dekan Fakultas Teknik dan Informatika Universitas Multimedia Nusantara,
3. Nunik Afriliana, S.Kom., MMSI., Ketua Program Studi Informatika Universitas Multimedia Nusantara, yang menerima penulis dengan baik untuk berkonsultasi,
4. Marlinda Vasty Overbeek, S.Kom., M.Kom., yang membimbing pembuatan Skripsi dan yang telah membimbing penulis untuk melanjutkan penelitian yang telah dilakukannya dan tata cara menulis karya ilmiah dengan benar.
5. Mario Alexander, Vionie Laorensa yang turut membantu penulis menyelesaikan Skripsi dengan segala masukan dan dukungan yang diberikan.
6. Rekan kerja di dalam Tiket.com yang turut mendukung dan mengizinkan penulis untuk memfokuskan diri untuk menyelesaikan Skripsi.
Penulis juga mengucapkan terima kasih kepada keluarga dan teman-teman yang turut mendukung proses penulisan skripsi ini.
Semoga skripsi ini dapat bermanfaat, baik sebagai sumber informasi maupun sumber inspirasi, bagi para pembaca.
Tangerang, 22 April 2020
Leonardo Pratama
vii
KLASIFIKASI PENYAKIT PADA DAUN JAGUNG BERBASIS CITRA DIGITAL DENGAN
RECURRENT NEURAL NETWORK
ABSTRAK
Pertanian dan perladangan, khususnya makanan pokok merupakan kebutuhan primer bagi seluruh anggota masyarakat indonesia. Gagal panen karena musibah yang disebabkan oleh gejala alam tidak dapat dihindari, tetapi gagal panen karena musibah serangan hama dapat dihindari dengan melakukan pengawasan ketat di daerah sekitar, tetapi tidak dengan penyakit. Penyakit khususnya pada tanaman jagung seperti hawar dapat menyebar dan menyebabkan kematian tanaman dengan cepat. Ciri-ciri pada beberapa penyakit di daun jagung memiliki sebuah kesamaan yang menyebabkan kesalahpahaman dan dapat menyebabkan penanganan penyakit pada tanaman yang tidak tepat yaitu bercak kecoklatan dengan tekstur yang mirip. Terdapat sebuah metode untuk mengekstraksi ciri tekstur dari sebuah gambar digital yaitu Gray Level Coocurrence Matrices (GLCM) yang ditulis oleh haralick et al dan dapat digunakan untuk mendeskripsikan daun yang terkena penyakit tersebut. Untuk menyelesaikan masalah identifikasi penyakit ini dengan menggunakan GLCM dibangunlah sebuah model Recurrent Neural Network (RNN) yang merupakan salah satu algoritma neural network dengan menggunakan framework baru dengan nama PyTorch. RNN dengan GLCM pada PyTorch dipilih dengan tujuan untuk membangun sebuah model yang dapat mengklasifikasikan penyakit pada daun jagung dengan menggunakan citra digital.
Dengan menggunakan data tes, model ini dapat mengidentifikasi penyakit dengan akurasi hingga 96%.
Kata Kunci: recurrent neural network, gray level coocurrence matrices, pytorch, identifikasi penyakit, daun jagung, hawar daun, bercak daun, karat daun
viii
CLASSIFICATION OF DISEASES ON CORN LEAVES BASED ON DIGITAL IMAGE USING
RECURRENT NEURAL NETWORK
ABSTRACT
Agriculture and cultivation, especially on staple foods are primary needs for all members of Indonesian society. Failure to harvest due to disaster caused by nature can’t be avoided, but harvest failure due to pest attacks can be avoided by doing strict monitoring on the premise, but not with diseases. Diseases especially on corns such as blight can spread fast and cause a the plant to die quickly. The characteristics on some of these diseases have some similarity causing misunderstanding and improper handling of the diseased plant such as brownish spots and similar textures. There is a method for extracting the texture characteristics of a digital image, that is Gray Level Coocurrence Matrices (GLCM) written by haralick et al and can be used to describe the leaves affected by the disease. To solve this disease identification problem using GLCM, a Recurrent Neural Network (RNN) model was built, which is one of the neural network algorithms using a new framework called PyTorch. RNN with GLCM on PyTorch was chosen with the aim of building a model that can classify diseases in corn leaves using digital images. The model can identify diseases on corn leaves on a test dataset with an accuracy of 96%.
Keyword: recurrent neural network, gray level coocurrence matrices, pytorch, disease identification, corn leaves, northern leaf blight, southern leaf blight, southern rust
ix
DAFTAR ISI
HALAMAN JUDUL ... i
LEMBAR PENGESAHAN ... ii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... iv
HALAMAN PERSEMBAHAN/ MOTO ... v
KATA PENGANTAR ... vi
ABSTRAK ... vii
ABSTRACT ... viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xii
DAFTAR LAMPIRAN ... xiii
PENDAHULUAN ... 1
1.1.Latar Belakang Masalah ... 1
1.2.Rumusan Masalah ... 4
1.3.Batasan Masalah ... 4
1.4.Tujuan Penelitian... 5
1.5.Manfaat Penelitian... 5
1.6.Sistematika Penelitian ... 6
LANDASAN TEORI ... 7
2.1.Penyakit Tanaman Jagung ... 7
2.2.Pre-Processing ... 9
METODOLOGI PENELITIAN DAN PERANCANGAN SISTEM ... 18
3.1.Pra-proses Data ... 18
3.2.Ekstraksi Ciri Tekstur Haralick ... 19
3.3.Data Splitting... 20
3.4.Pembangunan Model ... 20
3.5.Evaluasi Model ... 21
3.6.Implementasi ... 23
HASIL DAN PEMBAHASAN ... 24
4.1.Spesifikasi Sistem ... 24
4.2.Implementasi Sistem ... 26
4.3.Penulusuran Implementasi Sistem ... 41
x
4.4.Uji Coba dan Analisis ... 52
SIMPULAN DAN SARAN ... 55
5.1.Simpulan... 55
5.2.Saran ... 55
DAFTAR PUSTAKA ... 56
Gambar 2.2. Penyakit Bercak pada Daun Jagung (Huda, 2018) ... 8
Gambar 2.3. Penyakit Karat pada Daun Jagung (Huda, 2018) ... 9
Gambar 2.4. Directional Co-occurrence Matrices (Bino dkk, 2012) ... 10
Gambar 2.5. Matrix Sebelum di Filter ... 13
Gambar 2.6. Mean Filtered Matrix ... 13
Gambar 2.7. Arsitektur Tradisional RNN (Amidi dkk, 2018) ... 16
Gambar 2.8. Tensor (Mayo, 2018) ... 17
Gambar 3.1. Metode Penelitian ... 18
Gambar 3.2. Tahapan Pra-proses Data ... 19
Gambar 3.3. Proses Ekstraksi Ciri Tekstur ... 20
Gambar 4.1. Hasil Ekstraksi Nama Kelas. ... 28
Gambar 4.2. Hasil Konversi RGB ke Grayscale. ... 29
Gambar 4.3. Hasil Median Filter. ... 30
Gambar 4.4. Hasil Deteksi Tepi. ... 31
Gambar 4.5. Hasil Filter Dengan Nilai Ambang Batas Otsu. ... 32
Gambar 4.6. Diagram Loss dan Akurasi Terhadap Epoch ... 39
xii
DAFTAR TABEL
Tabel 3.1. Tabel Confusion Matrix ... 21
Tabel 4.1. Tabel Confusion Matrix Implementasi ... 40
Tabel 4.2. Tabel Sampel Hasil Konversi Grayscale. ... 42
Tabel 4.3. Sampel Pixel Gambar 3x3. ... 42
Tabel 4.4. Matrix 3x3 Urut Kecil ke Besar. ... 42
Tabel 4.5. Sampel Pixel Gambar 3x3. ... 43
Tabel 4.6. Matrix Hasil Akhir Filter Median. ... 43
Tabel 4.7. Sampel 3x3 Matrix Hasil Filter Median. ... 44
Tabel 4.8. Hasil Deteksi Tepi. ... 45
Tabel 4.9. Matrix Hasil Deteksi Tepi Normal. ... 46
Tabel 4.10. Sampel Jumlah Pixel terhadap Nilai Pixel ... 47
Tabel 4.11. Sampel Nilai Bobot dan Variance Latar Belakang ... 47
Tabel 4.12. Sampel Nilai Bobot dan Variance Latar Depan ... 47
Tabel 4.13. Tabel Matrix Coocurrence 0 derajat ... 49
Tabel 4.14. Tabel Matrix Coocurrence 45 derajat ... 49
Tabel 4.15. Tabel Matrix Coocurrence 90 derajat ... 49
Tabel 4.16. Tabel Matrix Coocurrence 135 derajat ... 50
Tabel 4.17. Tabel Hasil Implementasi ... 52
Tabel 4.18. Tabel Presisi dan Recall ... 52
Tabel 4.19. Tabel F1-Score ... 53
xiii
DAFTAR LAMPIRAN
Lampiran A:Formulir Konsultasi Skripsi
Lampiran B:Sampel Data Gambar Spektrum Merah Lampiran C:Sampel Data Gambar Spektrum Hijau Lampiran D:Sampel Data Gambar Spektrum Biru Lampiran E: Sampel Data Hasil Grayscale
Lampiran F: Sampel Data Hasil Median Filter
Lampiran G:Sampel Data Hasil Kernel Horisontal Sobel Lampiran H:Sampel Data Hasil Kernel Vertikal Sobel Lampiran I: Sampel Data Hasil Deteksi Tepi Sobel
Lampiran J: Sampel Data Hasil Deteksi Tepi Sobel Ternormalisasi Lampiran K:Sampel Data Hasil Filter Gaussian
Lampiran L: Nilai Otsu ke-1 Lampiran M:Nilai Otsu ke-2 Lampiran N:Nilai Otsu ke-3 Lampiran O:Nilai Otsu ke-4 Lampiran P: Nilai Otsu ke-5 Lampiran Q:Nilai Otsu ke-6
Lampiran R:Sampel Data Hasil Thresholding Lampiran S: Gambar Dataset Daun Sehat Lampiran T: Gambar Dataset Daun Bercak Lampiran U:Gambar Dataset Daun Hawar Lampiran V:Gambar Dataset Daun Karat
