Analisis Pengaruh Data Augmentasi Pada Klasifikasi Bumbu Dapur Menggunakan Convolutional Neural Network
Windha Mega Pradnya D, Agita Putri Kusumaningtyas*
Ilmu Komputer, Informatika, Universitas Amikom Yogyakarta, Yogyakarta, Indonesia Email: 1[email protected], 2,*[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Indonesia merupakan negara penghasil bumbu dan rempah-rempah terbaik. Jenis bumbu dapur dan rempah memang sangat beragam dan hampir serupa, sehingga banyak masyarakat yang tidak bisa membedakan jenisnya. Sehingga perlu pembuatan model pengolahan citra digital untuk memilah jenis bumbu dapur dan rempah. Dikarenakan data yang minimal dalam pembuatan model klasifikasi, maka dilakukan penggunaan data augmentasi untuk menjadikan data menjadi lebih beragam. Penelitian ini bertujuan untuk membandingkan arsitektur dengan menerapkan augmentasi dan tidak menerapkan augmentasi dari data foto bumbu dapur. Dari kedua model tersebut akan diketahui tingkat akurasi dari masing-masing model mana yang lebih tinggi dari kedua model tersebut. Penelitian ini menggunakan metode Convolutional Neural Networks dengan menggunakan arsitektur petrained. Kemudian menggunakan metode confusion matrix untuk mengevaluasi hasil setelah pengujian dilakukan terhadap data testing. Pengujian dilakukan dengan 80 citra data testing yang terdiri dari citra foto sendiri dan citra search internet. Hasil dari penelitian ini adalah didapatkan model untuk mengklasifikasi bumbu dapur. Hasil pengujian menunjukkan CNN yang tidak menerapkan augmentasi dari model tersebut hanya mendapatkan akurasi sebesar 54% sedangkan CNN yang menerapkan augmentasi dari model tersebut mendapatkan akurasi sebesar 80%. Penerapan augmentasi pada model mendapatkan akurasi lebih tinggi dikarenakan proses menggunakan augmentasi untuk menambah jumlah data dengan membuat data baru dari data yang sudah ada sehingga menjadikan data gambar lebih banyak. Untuk data search internet dan foto sendiri, akurasi yang lebih tinggi adalah data dari search internet. Model yang memiliki akurasi tertinggi kemudian diimplementasikan ke dalam sebuah aplikasi berbasis website.
Kata Kunci: Augmentasi; Bumbu Dapur; Confusion Matrix; Convolutional Neural Network; Klasifikasi
Abstract−Indonesia is a country that produces the best spices and herbs. The types of kitchen spices and spices are indeed very diverse and almost similar, so many people cannot distinguish between the types. So it is necessary to create a digital image processing model to sort out the types of spices and herbs. Due to the minimal data in making the classification model, the use of augmented data is used to make the data more diverse. This study aims to compare architecture by applying augmentation and not applying augmentation from photo data of kitchen spices. From the two models, it will be known which level of accuracy of each model is higher than the two models. This study uses the Convolutional Neural Networks method using a mapped architecture. Then use the confusion matrix method for the results after testing is carried out on data testing. The test was carried out with 80 testing data images consisting of own photo images and internet search images. The result of this research is obtained a model for the classification of kitchen spices. The test results show that CNNs that do not apply augmentation from the model only get an accuracy of 54%, while CNNs that apply augmentations from the model get an accuracy of 80%. The application of augmentation to the model gets higher accuracy because the process of using augmentation is to increase the amount of data by creating new data from existing data so as to make more image data. For internet search data and own photos, higher accuracy is data from internet searches. The model that has the highest accuracy is then implemented into a web-based application.
Keywords: Augmentasi; Herb; Confusion Matrix; Convolutional Neural Network; Klasifikasi
1. PENDAHULUAN
Indonesia terkenal dengan kekayaan alam yang melimpah. Salah satunya yang terkenal yaitu kekayaan bumbu dan rempahnya. Banyak sekali berbagai jenis bumbu dan rempah yang ada. Bumbu dan rempah memiliki manfaat utama sebagai penambah citarasa masakan. Banyaknya manfaat yang di dapat di bumbu dapur dan rempah ternyata tidak sejalan dengan pengenalan bumbu dan rempah dikalangan anak muda. Masih banyak di antara kita yang masih belum mengenali bahkan masih sering salah penamaan bumbu dapur dan rempah pada saat pengolahan makanan Indonesia. Melihat potensi anak muda maka diperkenalkan ragam pengetahuan macam macam bumbu dapur untuk bisa membedakan macam macam bumbu dapur dan dapat mengeksekusi banyak olahan bahan makanan maupun bisa menjadikan kreasi terhadap bumbu dapur [1].
Berkembangnya ilmu pengetahuan yang sangat pesat di masa sekarang memungkinkan untuk dilakukan pengolahan citra digital untuk memilah bumbu dapur dan rempah. Data diambil dari search internet dan foto sendiri. Dengan terbatasnya data yang sangat sedikit, maka dilakukan penggunaan data augmentasi untuk menjadikan data menjadi lebih beragam. Untuk klasifikasi citra dengan metode CNN menggunakan arsitektur Feature Learning yang terdiri dari lapisan Convolutional Layer dan Polling Layer, Fully Connected Layer untuk mendeteksi gambar yang ada. Dilakukannya augmentasi ini untuk memperbaiki kinerja dari Convolutional Neural Network dengan melakukan berbagai pengujian dari dataset biasa tanpa menggunakan augmentasi dan dataset yang menggunakan augmentasi. Selain itu untuk mengetahui seberapa pengaruh penggunaan data augmentasi untuk hasil akurasi yang didapatkan. Sehingga dilakukan perbandingan agar mengetahui seberapa besar tingkat akurasi yang dihasilkan dari beberapa model arsitektur antara tanpa menggunakan augmentasi dan menggunakan augmentasi Convolutional Neural Network dan mana yang lebih cocok untuk melakukan klasifikasi.
Febian Fitra Maulana (2019), melakukan penelitian dengan judul “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network”. Algoritma CNN terdiri dari 3 layer utama yaitu Convolutional Layer, Pooling Layer, dan Fully Connected Layer. Pada penelitian ini menggunakan arsitektur CNN dengan perpaduan 3 Convolutional Neural Network dan 2 Fully Connected Layer. Hasil dari proses learning didapatkan model CNN dengan akurasi 100% dan loss sebesar 0,012. Pada proses pengujian model CNN yang menggunakan 45 sampel citra buah didapatkan akurasi sebesar 91.42% [2]. Pada penelitian ini menggunakan dataset Fruit-360 yang berisi citra buah-buahan dan sayur mayur yang diperoleh dari situs kaggle, maka penulis mencoba menerapkan jenis dataset yang serupa. Tetapi pada penelitian tersebut menggunakan resolusi gambar 100x100 pixel, sedangkan pada penelitian ini ukuran gambar yang digunakan yaitu 256x256 pixel.
Isna Wulandari (2020), Melakukan penelitian “Klasifikasi Citra Bumbu dan Rempah dengan Algoritma Convolutional Neural Network”. Model arsitektur CNN yang digunakan menggunakan 2 convolutional layer.
Hasil akurasi dari data training sebesar 98% dan nilai loss sebesar 0.0769. Kemudian akurasi dari data testing sebesar 85% dengan nilai loss 0.4773. Pada penelitian ini juga diuji menggunakan data baru sebanyak 3 gambar pada setiap kategorinya, dengan perolehan akurasi sebesar 88.89% [3]. Tingginya akurasi yang didapat pada penelitian ini, maka penulis mencoba menerapkan model arsitektur CNN yang digunakan pada penelitian tersebut.
Tetapi pada penelitian tersebut sampel yang digunakan hanya sebanyak 300 yang diperoleh dari 1 sumber yaitu dari internet, dengan masing-masing kategori sebanyak 100 citra dan menggunakan citra yang berukuran 46x46 pixel, sedangkan pada penelitian ini menggunakan 4 kategori dengan 2800 sampel yang diperoleh dari 2 sumber yang berbeda yaitu dari internet dan foto pribadi menggunakan smartphone selain itu menggunakan citra yang berukuran 256x256 pixel.
Muhammad Resa Arif Yudiantoro (2020), Melakukan penelitian “Analisis Pengaruh Tingkat Akurasi Klasifikasi Citra Wayang Dengan Algoritma Convolutional Neural Network”. Hasil percobaan yang dilakukan didapatkan akurasi terbaik sebesar 97%, presisi 93% dan recall sebesar 87% dengan menerapkan kombinasi augmentation, mengubah citra menjadi grayscale pada tahap preprocessing, penggunaan rasio dataset 80:20 dan epoch sebesar 100 sangat berpengaruh signifikan dalam meningkatkan nilai akurasi [4]. Tinggi nya nilai rasio dan epoch yang dihasilkan dari tahap preprocessing pada penelitian ini, maka penulis mencoba menerapkan kombinasi augmentation yang berbeda seperti rescale, shift, share range, zoom range, rotation range, fill mode dengan menerapkan nya beberapa kombinasi augmentasi data diharapkan dapat meningkatkan nilai akurasi. Penggunaan rasio juga menggunakan 80:20 dan epoch yang digunakan sebesar 150.
Tonton Dwi Antoko (2021), Melakukan penelitian “Klasifikasi Buah Zaitun Menggunakan Convolutional Neural Network”. Untuk mengklasifikasikan buah zaitun dengan waktu komputasi yang lebih cepat. Menggunakan metode dengan model Convolutional Neural Network (CNN) dengan rangkaian arsitektur sendiri. Hasil dari penelitian ini mendapatkan akurasi sebesar 92% dengan waktu pelatihan 164 detik dengan 30 epoch [5].
Perbandingan arsitektur model pada penelitian ini yang dibangun dari beberapa layer antara lain, convolution, max-pooling, serta fully-connected, Diperoleh kesimpulan bahwa model yang diusulkan mendapatkan akurasi yang hanya lebih baik dari arsitektur model AlexNet dan kurang dari akurasi model Inception Resnet V2. Maka penulis coba menerapkan arsitektur yang dikembangkan sendiri yang dibangun dari beberapa layer antara lain 3 convolution, dilakukan aktivasi relu, 3 max pooling, flatten, 4 proses dense menggunakan aktivasi relu dan yang dense terakhir menggunakan aktivasi softmax, loss function menggunakan optimasi adam.
Aldo Helsaputra (2021), Melakukan penelitian “Implementasi Deep Learning Untuk Prediksi Tingkat Kematangan Dan Bobot Buah Pepaya”. Klasifikasi kematangan dilakukan dengan menggunakan 60 citra buah pepaya yang diperoleh dari pedagang buah menggunakan kamera smartphone.dilakukan augmentasi data dan resizing. Menggunakan metode CNN hasil yang diperoleh dari penelitian ini adalah sistem yang mampu mengklasifikasi tingkat kematangan buah pepaya dan bobot buah pepaya. Klasifikasi tingkat kematangan buah pepaya mendapatkan tingkat akurasi training 94.08% dan 68% untuk testing. Sedangkan untuk prediksi bobot buah pepaya mendapatkan tingkat akurasi training 100% dan 80% untuk testing [6]. Berdasarkan hasil prediksi bobot yang sangat tinggi, hasil pengujian pada klasifikasi kematangan buah mencapai akurasi testing sebesar 68%. Dan pada prediksi bobot buah mencapai akurasi saat testing sebesar 80%. Dataset yang digunakan pada penelitian ini sangat sedikit. Maka penulis mencoba untuk menggunakan jumlah dataset yang lebih besar karena jumlah dataset sangat berpengaruh saat menerapkan deep learning terhadap sistem. Semakin besar dataset yang digunakan maka hasil training dan testing akan mendapatkan akurasi yang baik. Salah satu teknik untuk mengatasi dataset yang sedikit adalah dengan menggunakan augmentasi.
Hendry Fonda (2020), Melakukan penelitian “Klasifikasi Batik Riau dengan Menggunakan Convolutional Neural Networks (CNN)”. Menggunakan 168 gambar yang terdiri dari 168 batik riau dan 68 bukan batik riau.
Menggunakan 30 epochs/ iterasi yang menghasilkan 100 epoch data. Klasifikasi menggunakan CNN menghasilkan batik riau dan bukan batik riau dengan akurasi 65% dan loss 2.5%. Akurasi 65% disebabkan pada dasarnya banyak motif yang sama antara batik riau dengan batik lainnya dengan perbedaan terletak pada warna cerap pada batik riau [7]. Pada tahapan proses training digunakan fungsi error pada entropy E dengan rumus E = - n sigma t = i (ti log (xi) + (1 - ti) log (1 - xi)). Dimana TP nilai positif, TN Nilai Negatif, FP nilai salah positif dan FN nilai salah negatif. Berdasarkan hasil tersebut peneliti mencoba mempelajari serangkaian rumus serupa sehingga rumus tersebut bisa digunakan pada penelitian ini. Menambahkan dataset agar lebih banyak
Taufiqotul Bariyah (2021), Melakukan penelitian “Convolutional Neural Network Untuk Metode Klasifikasi Multi-Label Pada Motif Batik”. Dataset citra batik diperoleh dari berbagai sumber seperti took luring pengrajin batik, took daring dan mesin pencarian daring. Terdapat 15 motif batik yang digunakan dan seluruh dataset berjumlah 3000 citra. Setelah pengumpulan dataset lalu dilakukan preprocessing seperti cropping dan resizing menjadi berukuran 350x350 piksel. Penerapan arsitektur CNN yang dibangun menggunakan adam sebagai optimizer dan sigmoid sebagai activator selain itu digunakan fungsi binary cross entropy. Mendapatkan nilai akurasi 91,41% dan loss sebesar 0.344% [8]. Nilai akurasi yang diperoleh tinggi maka penulis mencoba menggunakan arsitektur yang sudah diterapkan seperti fungsi optimizer menggunakan Adam, menggunakan binary cross entropy untuk mengurangi data loss, namun untuk activator penlis mencoba menggunakan Relu. Sama sama menggunakan dataset yang berjumlah banyak agar data lebih bervariasi.
2. METODOLOGI PENELITIAN
Penelitian ini dilakukan dengan beberapa tahapan. Berikut ini beberapa tahapan yang dilakukan untuk mengklasifikasi bumbu dapur menggunakan CNN yang tidak menerapkan augmentasi bisa dilihat pada gambar 1.
Gambar 1. Alur Penelitian Tidak Menggunakan Augmentasi
Pada gambar 2.2 Tahapan yang dilakukan untuk mengklasifikasi bumbu dapur menggunakan CNN menerapkan augmentasi
Gambar 2. Alur Penelitian Menggunakan Augmentasi
2.1 Pengumpulan Data
Data yang digunakan berasal dari google search image dan memfoto objek secara langsung dengan menggunakan smartphone.
2.2 Preprocessing
Data gambar bumbu dapur yang sudah terkumpul kemudian dilakukan proses preprocessing. Ada 3 tahap yang dilakukan:
a. Pemilihan Data
Di tahap ini dilakukan pemilihan citra bumbu dapur yang sesuai yang dibutuhkan. Karena tidak semua data yang diperoleh memiliki citra yang sesuai dengan gambar bumbu dapur yang ingin diklasifikasi nantinya.
b. Pembagian Data
Setelah data dikumpulkan lalu dikelompokkan menjadi 4 kelas bumbu dapur yaitu jahe, kencur, kunyit, lengkuas lalu setelah itu dibagi menjadi beberapa jenis yaitu data training, data validation dan data testing.
Setelah data selesai dibagi menjadi beberapa jenis kemudian dilakukan pelabelan di setiap datanya. Data dikelompokkan sesuai dengan kelasnya. Data awal yang berhasil dikumpulkan berasal dari search internet berjumlah 1.360 data. Kemudian dibagi menjadi data training berjumlah 1000 data, data validation berjumlah 360 data dan data testing berjumlah 40 data. Namun total jumlah data yang berhasil dikumpulkan masih kurang maka data tersebut dilakukan augmentasi manual yaitu rotasi 180 untuk menambah data. Augmentasi dilakukan setelah proses resize data. Setelah dilakukan rotasi 180 data bertambah menjadi 2.800 data yang terdiri dari data training 2.000 data masing masing kelas memiliki 500 citra, data validation 720 data masing masing kelas memiliki 180 citra dan data testing 80 data dan 160 citra yang akan dilakukan perbandingan.
Dengan ini jumlah data yang akan digunakan menjadi banyak c. Resize Data
Data yang sudah diperoleh sebelumnya memiliki ukuran resolusi yang berbeda beda. Maka dilakukan resize akan memiliki resolusi ukuran yang sama yaitu diubah menjadi 256x256 pixel. Berikut contoh dari resize data yang sudah dilakukan seperti gambar 2.3 dibawah ini.
800x800 256x256
Gambar 3. Sample Citra Resize 2.3 Augmentasi Data
Augmentasi adalah proses yang digunakan untuk menambah jumlah data dengan cara membuat data baru dari data yang sudah ada. Karena data yang diperoleh setelah proses preprocessing masih sedikit maka dilakukan augmentasi data manual. Agar dataset yang digunakan lebih beragam. Jenis augmentasi data yang digunakan yaitu:
a. Rotasi
Citra bumbu dapur original yang merupakan hasil dari proses resize kemudian dilakukan augmentasi rotasi sebesar 180 ˚ Pada gambar 2.4.
Citra original Citra rotasi
Gambar 4. Sample Augmentasi Rotasi 2.4 Perancangan Model Arsitektur CNN
Dilakukan perancangan arsitektur CNN yang akan dijadikan sebagai model. Model yang digunakan yaitu Pretrained .
Gambar 5. Arsitektur CNN
Model pada gambar 2.5 ini menggunakan input_shape dengan ukuran 256x256 pixel dengan 3 channel warna RGB (red, green, blue). Dalam model ini terdapat 3 proses konvolusi dengan jumlah filter yang berbeda- beda dan kernel yang berukuran 3x3. Pada setiap proses konvolusi dilakukan aktivasi ReLU. Kemudian pada setiap setelah proses konvolusi dilakukan proses pooling dengan ukuran 2x2. Dalam penelitian ini proses pooling dilakukan dengan menggunakan metode Max Pooling yang dimana proses pooling dilakukan dengan cara mengambil salah satu pixel terbesar pada luas pixel suatu gambar tanpa mengurangi informasi pada gambar. Proses pooling berguna untuk mengurangi ukuran spasial pada representasi dan juga mengurangi banyaknya parameter serta perhitungan pada jaringan arsitektur CNN.
Setelah proses 3 kali proses konvolusi dengan filter 32, 128, dan 256 yang disertai dengan aktivasi dan proses pooling, kemudian dilakukan flattening yaitu merubah hasil keluaran dari konvolusi yang berupa matrik menjadi sebuah vektor yang nantinya akan diteruskan ke proses pengklasifikasian. Setelah proses fletten, kemudian ada 4 proses dense dengan nilai units yang berbeda, yang 128, 64, 32, dan 4. Units disini menandakan sebuah neuron yang ada di layer ini. Pada dense pertama sampai ketiga menggunakan aktivasi ReLu. Aktivasi tersebut mengaplikasikan fungsi f(x) = max(0,x) yang berarti fungsi ini melakukan ‘thresholding’ dengan nilai nol terhadap nilai pixel pada input citra. Sehingga aktivasi ini akan menerjemahkan bilangan negatif pada nilai pixel citra menjadi bernilai 0 [9]. Pada dense keempat disini mendefinisikan sebuah output layer atau hasil dari proses klasifikasi, fungsi aktivasi yang digunakan pada proses terakhir disini yaitu softmax. Fungsi aktivasi softmax ini bertujuan untuk mengklasifikasi kedalam banyak kelas. Kemudian untuk loss function nya menggunakan optimasi Adam.
2.5 Pelatihan dan Validasi Model
Pada proses ini model dilatih dengan menggunakan data training dan data validation yang sudah dipersiapkan sebelumnya. Dalam proses ini ada 2 cara yaitu tidak menerapkan augmentasi lagi dan juga menerapkan augmentasi lagi untuk diberikan ke model, namun untuk penerapan augmentasi berbeda dengan augmentasi yang dilakukan sebelumnya dengan cara manual. Proses augmentasi kali ini dilakukan dengan menggunakan fungsi Image data generator dari tensorflow. Augmentasi tersebut diterapkan untuk memanipulasi data dengan cara membuat data- data baru dari data yang telah ada. Augmentasi yang digunakan dalam proses pelatihan ini.
a. Rescale
Augmentasi rescale ini digunakan untuk membagi nilai RGB dari 0-255 dengan 255, sehingga mendapatkan nilai RGB pada rentang 0-1. Rescale digunakan untuk memperkecil nilai-nilai pada proses pemodelan CNN.
b. Shift
Augmentasi shift yang digunakan dalam penelitian ini ada dua yaitu width_shift_range=0.2 dan height_shift_range=0.2. Dengan kedua parameter tersebut maka gambar akan digeser sepanjang sumbu X sebesar 20% dan sumbu Y sebesar 20%.
d. Share_range
Augmentasi share_range ini digunakan untuk mentransformasi pergeseran gambar, sehingga gambar bisa berbentuk jajar genjang. Pada penelitian ini share_range yang digunakan bernilai 0.2. 44.
e. Rotation_range
Augmentasi rotation_range ini digunakan untuk merotasi gambar secara acak dengan nilai rotasi bisa dari 0 ˚ -180 ˚. Namun dalam penelitian ini nilai rotation yang digunakan yaitu 20. Sehingga nanti gambar akan di rotasi secara acak dari (-20˚) - 20˚.
f. Fill mode
Augmentasi fill_mode ini digunakan untuk mengisi titik atau pixel yang ada di ruang kosong setelah melakukan pergeseran ataupun rotasi gambar. Pada penelitian ini menggunakan mode reflect yang dimana akan mengisi area dengan pantulan gambar.
2.6 Pengujian Model
Pengujian dilakukan dengan menggunakan data testing yang berjumlah 80 citra masing masing terdiri 40 citra foto sendiri dan 40 citra search internet. Dalam data testing ini terdiri dari data foto sendiri original yang merupakan data yang sudah di resize sebesar 256x256 pixel. Kemudian foto search internet yang merupakan data yang sudah di resize sebesar 256x256 pixel. Data ini akan dilakukan perbandingan maka data yang digunakan dalam pengujian ini dibagi menjadi 10 gambar pada setiap kelasnya.
Tabel 1. Pembagian Data Uji
Jenis Data jahe lengkuas kencur kunyit
Foto Sendiri 10 10 10 10
Search Internet 10 10 10 10
Subtotal 20 20 20 20
Total 80
Pada table 1. proses pengujian akan dilakukan perbandingan penggunaan data augmentasi dan tanpa augmentasi dari data foto sendiri dan search internet. Perbandingan tersebut untuk mengetahui hasil model dengan
tingkat akurasi yang tinggi. Untuk mengetahui hasil dari proses pengujian, maka digunakan metode confusion matrix untuk menganalisis kualitas pada setiap model dalam melakukan klasifikasi. Hasil dari setiap pengujian akan diilustrasikan ke dalam bentuk tabel.
3. HASIL DAN PEMBAHASAN
3.1 Pembuatan Dataset
Citra bumbu dapur yang dijadikan dataset dalam penelitian ini didapatkan dari google search image, dan ada juga dari pengambilan citra langsung dengan menggunakan smartphone. Semua citra tersebut dikumpulkan menjadi satu untuk dikelompokkan menjadi 4 kelas bumbu dapur yaitu jahe, kencur, kunyit, lengkuas. Dataset tersebut terdiri dari data training, validation dan testing. Data training memiliki total 2.000 citra dengan masing masing kelas memiliki 500 citra. Sedangkan data validation memiliki total 720 citra dengan masing-masing kelas memiliki 180 citra. Data training dan data validation tersebut akan digunakan untuk melatih model CNN. Kemudian untuk menguji model CNN tersebut digunakan data testing yang terdiri dari data search internet dan data foto sendiri.
Data testing yang akan diuji memiliki jumlah citra sebanyak 80 citra yang terdiri dari foto sendiri 40 citra dan search internet 40 citra . Untuk pembagian data testing ditunjukkan dalam Tabel dibawah
Tabel 2. Pembagian Data Testing
Kelas Data Training Data Validation Data Testing Total
Jahe 500 180 10 700
Kunyit 500 180 10 700
Kencur 500 180 10 700
Lengkuas 500 180 10 700
Total 2.000 720 40 2.800
Pada table 2. pengujian model dikelompokkan menjadi 2 yaitu pengujian menggunakan data search internet dan data foto sendiri. Pengujian ini dilakukan untuk mengetahui apakah model dapat melakukan klasifikasi terhadap bentuk citra yang beragam.
Sebelum menjadi dataset sesuai yang dibutuhkan. Dataset tersebut sudah melewati proses preprocessing dan augmentasi data diluar program. Mengingat jumlah data yang banyak maka proses preprocessing dan augmentasi data tersebut dilakukan dengan menggunakan bantuan software yaitu FastStone Photo Resizer supaya lebih mudah dan cepat karena dapat digunakan untuk memproses data citra secara masal.
a. Preprocessing
Proses preprocessing ini dilakukan untuk membagi dan menyeragamkan citra yang sudah dikumpulkan.
Karena dalam proses ini citra dikategorikan dan dibagi pada setiap motifnya, serta dilakukan resize dengan ukuran 256x256 pixel supaya semua data memiliki ukuran yang seragam.
b. Augmentasi Data
Data yang yang digunakan untuk melatih model berjumlah 2.800 citra. Data tersebut sudah melewati proses augmentasi dengan melakukan resize sebesar 256x256 pixel, kemudian dirotasi sebesar 180˚. Sedangkan data yang digunakan untuk menguji model berjumlah 80 citra yang terdiri dari foto sendiri 40 citra dan search internet 40 citra. Citra tersebut terdiri dari data yang sudah di resize sebesar 256x256 pixel.
3.2 Pembuatan Model CNN
Pembuatan model dilakukan dengan menggunakan sequential model yang mana seperti tumpukan linier dari layer. Dalam model yang dibuat ini memiliki beberapa layer seperti convolution layer, pooling layer, flatten layer dan dense layer. Pada arsitektur proses convolution pertama menggunakan jumlah filter 32, kernel 3x3 beserta activation relu dengan input shape sebesar 256x256x3. Angka 3 dalam input shape ini menunjukkan 3 channel warna yang digunakan yaitu RGB (Red, Green, Blue). Setelah proses convolution, kemudian dilakukan polling dengan menggunakan Max Pooling berukuran 2x2. Dengan menggunakan pooling maka dapat mengurangi ukuran dimensi dari feature map.
Kemudian dilakukan proses convolution lagi sebanyak 2 kali dengan nilai filter yang berbeda-beda yaitu sebanyak 128 dan 256 dan menggunakan activation yang sama. Pada setiap proses convolution juga dilakukan pooling sama seperti pada proses convolution yang pertama. Selanjutnya dilakukan flatten setelah 3 kali convolution dan pooling. Pada flatten layer, hasil dari feature extraction yang berbentuk array multidimensi tersebut akan diubah menjadi vector agar bisa digunakan sebagai input dari fully connected layer. Setelah proses flatten, kemudian ada 4 proses dense dengan nilai units yang berbeda, yaitu sebanyak 512, 256, 128, dan 4. Pada dense pertama sampai ketiga menggunakan activation relu. Pada dense terakhir menggunakan activation softmax. Fungsi activation softmax ini bertujuan untuk mengklasifikasi kedalam banyak kelas. Total parameter yang dilatih pada model ini berjumlah 118,463,108.
3.3 Hasil Training
Pada gambar 6. proses training model ada beberapa parameter yang diinisialisasikan yaitu jumlah batch size, epochs dan learning rate. Jumlah batch size yang digunakan dalam melatih model yaitu 10, kemudian menggunakan epochs sebanyak 150 dan learning rate sebesar 0.001. Namun dalam penelitian ini dilakukan pengujian dengan menggunakan augmentasi dan tanpa augmentasi maka akan dilakukan perbandingan. Hasil dari proses training digambarkan dalam bentuk grafik seperti pada gambar 3.1 dibawah ini.
a. Hasil training tanpa menggunakan augmentasi
Gambar 6. Grafik Hasil Training Tidak Menggunakan Augmentasi
Pada posisi epoch terakhir diperoleh nilai accuracy sebesar 0.9970 dengan nilai loss sebesar 0.0036 kemudian mendapatkan nilai val_accuracy sebesar 0.5194 dengan nilai val_loss sebesar 7.0008.
b. Hasil training menggunakan argumentasi
Gambar 7. Grafik Hasil Training Menggunakan Augmentasi
Pada posisi epoch terakhir diperoleh nilai accuracy sebesar 0.9700 dengan nilai loss sebesar 0.1008 kemudian mendapatkan nilai val_accuracy sebesar 0.7778 dengan nilai val_loss sebesar 1.0569. Model ini mendapat nilai validation yang tidak beda jauh dengan nilai training dan tidak banyak terjadi penurunan nilai accuracy pada validation. Teknik augmentasi yang diterapkan dalam proses training ini seperti rescale, width_sift_range, height_sift_range, shear_range, zoom_range, rotation_range, dan flip_mode yang menjadikan citra menjadi lebih beragam terlihat pada gambar 3.2
3.4 Hasil Testing
Pada table 3. hasil pengujian dengan menggunakan perbandingan data yang berjumlah 80 citra dengan masing masing 40 data foto sendiri dan 40 data search internet.
Tabel 3. Perbandingan Hasil Testing Tidak Menggunakan Augmentasi Dan Menggunakan Augmentasi
Epochs Jenis Data Penerapan Jumlah Data Accuracy Loss
150
Foto Sendiri Tidak menggunakan augmentasi 40 0.875 0.3983
Menggunakan augmentasi 40 0.825 0.5937
Search Internet Tidak menggunakan augmentasi 40 0.975 0.0184
Menggunakan augmentasi 40 0.975 0.0593
a. Foto sendiri tanpa menggunakan augmentasi jumlah data 40
Gambar 8. Hasil Prediksi Foto Sendiri Data 40 Tidak Menggunakan Augmentasi
Pada gambar 8. merupakan classification report untuk data foto sendiri dengan jumlah data 40 tanpa menggunakan augmentasi. Akurasi yang didapatkan yaitu sebesar 88%, dimana terdapat satu kategori yang mendapat akurasi 100% yaitu lengkuas. Sedangkan pada kategori jahe mendapat akurasi sebesar 95%, kencur sebesar 83% dan kunyit sebesar 67%. Hasil klasifikasi melalui confusion matrix
Tabel 4. Hasil Confusion Matrix Foto Sendiri Tidak Menggunakan Augmentasi
prediksi aktual
jahe kencur kunyit lengkuas
jahe 10 0 0 0
kencur 0 10 0 0
kunyit 1 4 5 0
lengkuas 0 0 0 10
Pada tabel 4. Hasil yang didapatkan yaitu model berhasil mengklasifikasi citra dengan benar sebanyak 35 citra dan yang salah sebanyak 5 dengan rincian pada kategori jahe berhasil diprediksi benar semua, pada kategori kencur berhasil diprediksi benar semua, pada kategori kunyit yang berhasil diprediksi itu kunyit berjumlah 5 sedangkan yang salah prediksi sebagai kunyit berjumlah 1, yang salah prediksi sebagai kencur berjumlah 4, pada kategori lengkuas berhasil diprediksi benar semua pada kategori tanpa menggunakan augmentasi dari data foto sendiri.
b. Foto sendiri menggunakan augmentasi jumlah data 40
Gambar 9. Hasil Prediksi Foto Sendiri Data 40 Menggunakan Augmentasi
Pada gambar 9. merupakan classification report untuk data foto sendiri dengan jumlah data 40 menggunakan augmentasi. Akurasi yang didapatkan yaitu sebesar 82%, dimana terdapat satu kategori yang mendapat akurasi 100% yaitu jahe. Sedangkan pada kategori kencur mendapat akurasi sebesar 95%, kunyit mendapat akurasi 46% dan lengkuas sebesar 77%. Hasil klasifikasi melalui confusion matrix
Tabel 5. Hasil Confusion Matrix Foto Sendiri Menggunakan Augmentasi
prediksi aktual
jahe kencur kunyit lengkuas
jahe 10 0 0 0
kencur 0 10 0 0
kunyit 0 1 3 6
lengkuas 0 0 0 10
Pada tabel 5. Hasil yang didapatkan yaitu model berhasil mengklasifikasi citra dengan benar sebanyak 33 citra dan yang salah sebanyak 7 dengan rincian pada kategori jahe berhasil diprediksi benar semua, pada kategori kencur berhasil diprediksi benar semua, pada kategori kunyit yang berhasil diprediksi itu kunyit berjumlah 3 sedangkan yang salah prediksi sebagai kencur berjumlah 1, yang salah prediksi sebagai lengkuas berjumlah 6, pada kategori lengkuas berhasil diprediksi benar semua pada kategori menggunakan augmentasi dari data testing foto sendiri.
c. Search internet tanpa menggunakan augmentasi jumlah data 40
Gambar 10. Hasil Prediksi Search Internet Data 40 Tidak Menggunakan Augmentasi
Pada gambar 10. merupakan classification report untuk data search internet dengan jumlah data 40 tanpa menggunakan augmentasi. Akurasi yang didapatkan yaitu sebesar 97%, dimana terdapat dua kategori yang mendapat akurasi 100% yaitu kunyit dan lengkuas. Sedangkan pada kategori jahe mendapat akurasi sebesar 95%
dan kunyit sebesar 95%. Hasil klasifikasi melalui confusion matrix
Tabel 6. Hasil Confusion Matrix Search Internet Tidak Menggunakan Augmentasi
prediksi aktual
jahe kencur kunyit lengkuas
jahe 9 1 0 0
kencur 0 10 0 0
kunyit 0 0 10 0
lengkuas 0 0 0 10
Pada tabel 6. Hasil yang didapatkan yaitu model berhasil mengklasifikasi citra dengan benar sebanyak 39 citra dan yang salah sebanyak 1 dengan rincian pada kategori jahe berhasil diprediksi benar berjumlah 9 sedangkan yang salah prediksi sebagai kencur berjumlah 1, pada kategori kencur berhasil diprediksi benar semua, pada kategori kunyit berhasil diprediksi benar semua, pada kategori lengkuas berhasil diprediksi benar semua pada kategori tidak menggunakan augmentasi dari data testing foto search internet.
d. Search internet menggunakan augmentasi jumlah data 40
Gambar 11. Hasil Prediksi Search Internet Data 40 Menggunakan Augmentasi
Pada gambar 11. merupakan classification report untuk data search internet dengan jumlah data 40 menggunakan augmentasi. Akurasi yang didapatkan yaitu sebesar 97%, dimana terdapat dua kategori yang mendapat akurasi 100% yaitu kencur dan kunyit. Sedangkan pada kategori jahe mendapat akurasi sebesar 95%
dan lengkuas sebesar 95%. Hasil klasifikasi melalui confusion matrix
Tabel 7. Hasil Confusion Matrix Search Internet Menggunakan Augmentasi
prediksi aktual
jahe kencur kunyit lengkuas
jahe 10 0 0 0
kencur 0 10 0 0
kunyit 0 0 10 0
lengkuas 1 0 0 9
Pada tabel 7. Hasil yang didapatkan yaitu model berhasil mengklasifikasi citra dengan benar sebanyak 39 citra dan yang salah sebanyak 1 dengan rincian pada kategori jahe berhasil diprediksi benar semua, pada kategori kencur berhasil diprediksi benar semua, pada kategori kunyit berhasil diprediksi benar semua, pada kategori lengkuas berhasil diprediksi benar berjumlah 9 sedangkan yang salah prediksi sebagai jahe berjumlah 1 pada kategori menggunakan augmentasi dari data testing foto search internet.
3.5 Implementasi Pembuatan Website
Gambar 12. Tampilan Website
Pada gambar 12. merupakan tampilan dari website yang digunakan untuk mengecek hasil model yang sudah di buat. Pembuatan website dengan menggunakan flask. Hasil dari model h.5 yang di peroleh dari training data kemudian yang akan diimplementasikan ke website. Data yang menerapkan augmentasi yang akan digunakan karena memperoleh nilai akurasi yang lebih tinggi. Cara penggunaan website yaitu dengan memilih dan mengupload gambar bumbu dapur secara acak setelah itu akan diklasifikasi oleh sistem setelah itu akan ditampilkan nama dari hasil klasifikasi gambar tersebut. Hasil tersebut akan membuktikan bahwa apakah benar prediksi dari nama bumbu dapur yang sudah diinputkan tersebut.
4. KESIMPULAN
Berdasarkan hasil analisa dan pengujian yang telah dilakukan dengan menggunakan metode Convolutional Neural Network dalam mengklasifikasi bumbu dapur maka dapat ditarik kesimpulan yaitu pada proses training yang menggunakan augmentasi data mendapatkan akurasi lebih tinggi dibandingkan dengan tidak menggunakan augmentasi. Karena proses menggunakan augmentasi untuk menambahkan jumlah data dengan membuat data baru dari data yang sudah ada sehingga dengan menggunakan augmentasi menjadikan data gambar lebih banyak.
Dibandingkan dengan tidak menggunakan augmentasi. Adanya evaluasi model menggunakan confusion matrix dengan menggunakan augmentasi nilai akurasi sebesar 80% dan tidak menggunakan augmentasi nilai akurasi sebesar 54%. Dataset yang diperoleh dari memfoto sendiri menggunakan smartphone tidak lebih bagus daripada dataset yang diperoleh dari internet. Penggunaan dataset dari foto sendiri menggunakan smartphone menjadikan nilai akurasi tidak terlalu tinggi karena dari segi cahaya dan noise dari foto juga mempengaruhi untuk perolehan nilai akurasi. Kedua model tersebut menggunakan epoch sebanyak 150 dan menggunakan optimasi adam dengan learning rate sebesar 0.001 dalam proses trainingnya.
REFERENCES
[1] E. T. Erfah, “Manfaat Pengetahuan Bumbu dan Rempah Pada Pengolahan Makanan Indonesia Siswa Smkn 9 Bandung,”
Media Pendidikan Gizi dan Kuliner, pp. 42-50, 2017.
[2] N. Febian, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” Journal of Informatics and Computer Science, pp. 1-5, 2019.
[3] H. T. Isna, “Klasifikasi Citra Digital Bumbu dan Rempah dengan Algoritma Convolutional Neural Network (CNN),”
Jurnal Gaussian, vol. IX, no. 3, pp. 273-282, 2020.
[4] K. H. Muhammad Resa, “Analisis Pengaruh Tingkat Akurasi Klasifikasi Citra Wayang dengan Algoritma Convolutional Neural Network,” Jurnal Teknologi Informasi, vol. IV, no. 2, pp. 182-187, 2020.
[5] M. A. A. Tonton, “Klasifikasi Buah Zaitun Menggunakan Convolutional Neural Network,” Jurnak Sistem Komputer, vol. X, no. 2, pp. 119-126, 2021.
[6] A. R. Aldho, “Implementasi Deep Learning Untuk Prediksi Tingkat Kematangan dan Bobot Buah Pepaya,” e-Proceeding of Engineering, vol. VIII, no. 6, pp. 11993-11998, 2021.
[7] Y. A. Hendry, “Klasifikasi Batik Riau dengan Menggunakan Convolutional Neural Network (CNN),” Ilmu Komputer, vol. IX, no. 1, pp. 7-10, 2020.
[8] M. N. Taufiqotul, “Convolutional Neural Network Untuk Metode Klasifikasi Multi Label Pada Motif Batik,” Techno COM, vol. XXI, no. 1, pp. 155-165, 2021.
[9] A. Z. Budy, Machine Learning & Reasoning Fuzzy Logic Algoritma Manual Matlab & Rapid Miner, Yogyakarta:
Deepublish, 2020.
[10] R. R. Rerung, Algoritma dan Struktur Data untuk Perguruan Tinggi, Sumatera Barat: Insan Cendekia Mandiri, 2020.
[11] M. Niki, Konsep Kecerdasan Buatan dengan Pemahaman Logika Fuzzy dan Penerapan Aplikasi, Tangerang Selatan:
Uwais Inspirasi Indonesia, 2019.
[12] T. Wahyono, Buku Fundamental Of Python For Machine Learning, Yogyakarta: Gava Media, 2018.
[13] P. D. Kusuma, Machine Learning Teori Program dan Studi Kasus, Yogyakarta: Deepublish, 2020.
[14] A. Josh, Deep Learning A Practitioner's Approach, O'Reilly, 2017.
[15] A. R. Wayan, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” Teknik ITS, vol. V, no. 1, pp. A65-A69, 2016.
[16] A. Sarirotull, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” Justindo, vol. III, no. 2, pp. 49-56, 2018.
[17] M. N. A. D. N. L. D. E. M. R. S. C. Anjar, Data Mining ALgoritma dan Implementasi, Yayasan Kita Menulis, 2020.
[18] D. A. M. Z. Nana, “Optimasi Klasifikasi Buah Anggur Menggunakan Data Augmentasi dan Convolutional Neural Network,” Smart Comp, vol. XI, no. 2, pp. 148-161, 2022.
