Arsitektur Convolutional Neural Network (CNN) Untuk Klasifikasi Jenis Dan Kesegaraman Buah

PENDAHULUAN

KAJIAN PUSTAKA

METODE PENELITIAN

HASIL PENELITIAN DAN PEMBAHASAN

Hasil Uji Coba Jumlah Layer

Hasil pengujian pada skenario ini membandingkan nilai akurasi ketika menggunakan 1 layer, 2 layer, 3 layer dan 4 layer secara berurutan untuk arsitektur CNN yang diusulkan. Jika jumlah layer yang digunakan adalah 1 dengan ukuran kernel konvolusi 2x2 dan jumlah filter sebanyak 32, maka akurasi yang diperoleh dengan menggunakan custom CNN pada layer yang terhubung penuh menggunakan KNN adalah 0,7972 atau dikalikan 100%) untuk pelatihan dan pengujian adalah 69,15%. Penelitian ini mencoba menggunakan dua layer yang ukuran kernel konvolusinya tetap sama pada layer 1 dan layer 2 yaitu 2x2.

Karena percobaan kedua menggunakan dua layer, maka penelitian ini menggunakan polling maksimal pada layer 2 untuk mendapatkan akurasi terbaik. Eksperimen kedua memperoleh akurasi yang jauh lebih tinggi, yaitu dengan menggunakan dua lapisan konvolusi, yaitu 0,9954 atau dikalikan 100%) untuk pelatihan dan 93,62% untuk pengujian. Akurasi yang diperoleh sangat baik dan hampir sempurna (100%), namun penelitian ini mencoba percobaan kembali untuk melihat apakah masih terjadi peningkatan akurasi atau tidak.

Jika data divisualisasikan untuk melihat sebaran kelompok/kelas, penelitian ini memerlukan bantuan PCA karena kumpulan data dibentuk oleh beberapa dimensi. Dari hasil pengujian pada Bab 4.3.1 dapat disimpulkan bahwa penelitian ini memilih menggunakan dua convolution layer dengan akurasi tertinggi yaitu 99,54%. Hasil percobaan kedua akan digunakan untuk proses selanjutnya yaitu skenario pengujian penentuan jumlah filter.

Tabel 4.1 Hasil Uji Coba Mengukur Akurasi di Setiap Layer.

Hasil Uji Coba Jumlah Filter

Sedangkan untuk percobaan kedua pada skenario ini atau nomor 6, sebaran datanya dapat dilihat pada Gambar 4.6, dimana terlihat datanya lebih tersebar dan lebih mudah dibedakan sehingga hasil akurasinya juga lebih baik, yaitu 99,08%. Dari hasil analisa diatas, pada penelitian ini dapat disimpulkan bahwa penambahan jumlah filter dapat meningkatkan hasil akurasi. Maka penelitian ini menggunakan ekstraksi fitur menggunakan dua lapisan konvolusi dan menambah jumlah filter menjadi 92 dan 64.

Gambar 4.5 Persebaran data menggunakan 2 layer konvolusi dengan 64 filter.

Hasil Uji Coba Klasifikasi Dari Ekstraksi Fitur

Hasil Uji Coba Alexnet dengan Machine Learning
Hasil Uji Coba Googlenet dengan Machine Learning
Hasil Uji Coba Modifikasi Metode Usulan

Untuk memastikan keakuratan hasil pelatihan dan pengujian, Gambar 4.9 menjelaskan perjalanan penggunaan epoch dalam metode Alexnet yang tidak dimodifikasi. Hasil klasifikasi untuk pelatihan dapat dilihat pada Gambar 4.10, karena akurasinya 100%, pada gambar ini seluruh data untuk pelatihan diklasifikasikan dengan benar. Data pengujian dapat dilihat pada Gambar 4.11 dengan akurasi yang dihasilkan sebesar 0,9255 dengan waktu komputasi 0,0101 detik.

Pembahasan terakhir adalah perbandingan hasil komputasi time trial masing-masing konvolusi yaitu metode yang diusulkan, Alexnet dan Googlenet. Jika durasi waktu diurutkan dari yang tercepat hingga terlama maka metode yang diusulkan adalah nomor 1 dengan total waktu komputasi 0,056 detik. Metode yang diusulkan hanya menggunakan 3 lapisan yang terbagi menjadi 2 lapisan konvolusi dan 1 lapisan terhubung penuh yang mampu menghasilkan nilai akurasi tinggi dan total waktu komputasi yang singkat.

Hal ini dapat dilihat pada Gambar 4.14 dan Gambar 4.15 yang merupakan hasil dari matriks konfusi yang dibandingkan. Untuk memastikan hasil akurasi pelatihan, Gambar 4.16 menjelaskan perjalanan penggunaan epoch pada CNN yang tidak dimodifikasi. Setelah menganalisis metode usulan yang tidak dimodifikasi, langkah selanjutnya adalah menganalisis metode usulan yang dimodifikasi menggunakan SVM pada lapisan yang terhubung sepenuhnya.

Model terbaik dihasilkan dengan menggunakan parameter C sebesar 100 dan gamma sebesar 0,001 dengan akurasi pelatihan sebesar 100% dan waktu komputasi sebesar 0,0348 detik. Jika dibandingkan, akurasi ini masih sama dengan akurasi pelatihan pada model metode usulan yang tidak dimodifikasi. Namun untuk hasil pengujian akurasi, metode usulan yang dimodifikasi menggunakan SVM menghasilkan akurasi sempurna yaitu 100%.

Gambar 4.7 Hasil confussion matrix dari training menggunakan metode Alexnet tanpa modifikasi

Evaluasi Hasil Jumlah Layer

Evaluasi Hasil Jumlah Filter

Evaluasi Hasil Klasifikasi Dari Ekstraksi Fitur

Metode usulan dimodifikasi dengan analisis diskriminan linier (LDA) untuk hasil latihan akurasi sebesar 1 dengan waktu perhitungan detik dan untuk hasil pengujian akurasi sebesar 0,957447dengan waktu perhitungan detik. Metode arsitektur Alexnet dengan modifikasi RF untuk hasil pelatihan akurasi 1 dengan waktu 0.0207171 detik dan untuk pengujian hasil akurasi 0.925532 dengan waktu komputasi 0.0199194 detik. Metode arsitektur Alexnet dengan modifikasi LDA untuk hasil akurasi pelatihan 1 dengan waktu 0.0207171 detik dan untuk hasil akurasi pengujian 0.925532 dengan waktu komputasi 0.0199194 detik.

Metode arsitektur Alexnet dengan modifikasi KNN untuk hasil pelatihan akurasi 1 dengan waktu 0,0207171 detik dan untuk hasil akurasi pengujian 0,925532 dengan waktu komputasi 0,0199194 detik. Metode arsitektur Alexnet dengan modifikasi RF untuk hasil pelatihan dengan akurasi 1 dengan waktu detik dan untuk pengujian hasil akurasi 0.723404 dengan waktu komputasi detik. Metode arsitektur Alexnet dengan modifikasi LDA untuk hasil pelatihan adalah akurasi 1 dengan waktu 0,207993 detik dan untuk pengujian hasil akurasi 0,712766 dengan waktu komputasi detik.

Metode arsitektur Alexnet dengan modifikasi RF untuk akurasi hasil pelatihan 1 dengan waktu 0.0823815 detik dan untuk hasil akurasi pengujian 0.723404 dengan waktu komputasi 0.0685356 detik. Metode arsitektur Alexnet dengan modifikasi LDA untuk hasil pelatihan diperoleh akurasi 1 dengan waktu 0,223633 detik dan untuk pengujian hasil akurasi 0,680851 dengan waktu komputasi detik. Metode arsitektur CNN dengan modifikasi RF untuk hasil pelatihan dengan akurasi 1 dalam hitungan detik dan untuk hasil akurasi pengujian sebesar 0.734043 dengan waktu komputasi dalam hitungan detik.

Metode arsitektur CNN dengan modifikasi LDA untuk hasil pelatihan dengan presisi 1 dengan waktu 0,0897763 detik dan untuk hasil pengujian dengan akurasi 0,93617 dengan waktu komputasi detik. Metode arsitektur CNN dengan modifikasi RF untuk akurasi hasil pelatihan 1 dengan waktu 0.0409305 detik dan untuk akurasi hasil pengujian 0.893617 dengan waktu komputasi 0.034339 detik. Metode arsitektur CNN dengan modifikasi LDA untuk hasil akurasi pelatihan 1 dengan waktu 0.0835397 detik dan untuk hasil akurasi pengujian 0.93617 dengan waktu komputasi detik.

Metode arsitektur CNN dengan modifikasi RF untuk hasil pelatihan akurasi 1 dengan waktu 0.800276 detik dan untuk pengujian hasil akurasi 0.93617 dengan waktu komputasi 0.74618 detik. Metode arsitektur CNN dengan modifikasi LDA untuk hasil akurasi pelatihan 1 dengan waktu 0,0848 detik dan untuk hasil akurasi pengujian 0,861702 dengan waktu komputasi detik. Metode arsitektur CNN dengan modifikasi RF untuk akurasi hasil pelatihan 1 dengan waktu 0.0409904 detik dan untuk akurasi hasil pengujian 0.882979 dengan waktu komputasi 0.0350554 detik.

KESIMPULAN DAN SARAN

Kesimpulan

Dari hasil percobaan, skenario 1 dengan 2 convolutional layer dapat memberikan nilai akurasi yang lebih tinggi dibandingkan dengan 1 layer dan 4 convolutional layer. Dari hasil percobaan pada skenario 3, jumlah convolutional layer dan filter yang diusulkan klasifikasi SVM memberikan nilai akurasi tertinggi dan waktu komputasi tercepat.

Saran

Metode yang diusulkan dengan modifikasi KNN untuk hasil pelatihan adalah akurasi 1 dengan waktu 0,0207171 detik dan untuk hasil akurasi pengujian 0,925532 dengan waktu komputasi 0,0199194 detik. Metode arsitektur Googlenet dengan modifikasi RF untuk akurasi hasil pelatihan 1 dengan waktu 0.109769 detik dan untuk hasil akurasi pengujian 0.925532 dengan waktu komputasi 0.081444 detik. Metode arsitektur Googlenet dengan modifikasi KNN untuk hasil akurasi pelatihan 1 dengan waktu 1,09536 detik dan untuk hasil akurasi pengujian 0,957447dengan waktu perhitungan 1,39777 detik.

Metode arsitektur Googlenet dengan modifikasi RF untuk akurasi hasil pelatihan 1 dengan waktu 0.059315 detik dan untuk akurasi hasil pengujian 0.882979 dengan waktu komputasi 0.0426157 detik. Metode arsitektur Googlenet dengan modifikasi KNN untuk akurasi hasil pelatihan 1 dengan waktu 1,08429 detik dan untuk akurasi hasil pengujian 0,893617 dengan waktu komputasi 1,37868 detik. Metode arsitektur Googlenet dengan modifikasi RF untuk akurasi hasil pelatihan 1 dengan waktu 0,0822473 detik dan untuk akurasi hasil pengujian 0,893617 dengan waktu komputasi 0,0713 detik.

Metode arsitektur Googlenet dengan modifikasi LDA untuk hasil akurasi pelatihan 1 dengan waktu 0,0872238 detik dan untuk hasil akurasi pengujian 0,893617 dengan waktu komputasi 0,0012424 detik. Metode arsitektur Googlenet dengan modifikasi KNN untuk melatih hasil akurasi 1 dengan waktu 0.0221374 detik dan untuk pengujian hasil akurasi 0.914894 dengan waktu komputasi 0.0263784 detik. Metode arsitektur Googlenet dengan modifikasi SVM untuk hasil akurasi pelatihan 1 dengan waktu 0.0734158 detik dan untuk hasil akurasi pengujian 0.893617 dengan waktu komputasi 0.0184648 detik.

Metode arsitektur Alexnet dengan modifikasi KNN untuk akurasi hasil pelatihan 1 dengan waktu 0.0862708 detik dan untuk akurasi hasil pengujian 0.734043 dengan waktu komputasi 0.0525212 detik. Metode arsitektur Alexnet dengan modifikasi SVM untuk hasil pelatihan memiliki akurasi 1 dengan waktu 0,111005 detik dan untuk pengujian menghasilkan akurasi 0,765957 dengan waktu komputasi 0 0482106 detik. Metode arsitektur Alexnet dengan modifikasi KNN untuk hasil training akurasi 1 dengan waktu 0.141543 detik dan untuk hasil pengujian akurasi 0.734043 dengan waktu komputasi 0.0760875 detik.

Metode arsitektur Alexnet dengan modifikasi SVM untuk akurasi hasil pelatihan 1 dengan waktu 0.0678537 detik dan untuk akurasi hasil pengujian 0.765957 dengan waktu komputasi 0.0298219 detik. Metode arsitektur CNN dengan modifikasi SVM untuk akurasi hasil pelatihan 1 dengan waktu 0.0888541 detik dan untuk akurasi hasil pengujian 0.914894 dengan waktu komputasi 0.0176902 detik. Metode arsitektur CNN dengan modifikasi KNN untuk akurasi hasil pelatihan 1 dengan waktu 0.0219595 detik dan untuk akurasi hasil pengujian 0.946809 dengan waktu komputasi 0.0243857 detik.

Metode arsitektur CNN dengan modifikasi SVM untuk hasil training akurasi 1 dengan waktu 0.0385737 detik dan untuk hasil akurasi pengujian 0.946809 dengan waktu komputasi 0.0166435 detik. Metode arsitektur CNN dengan modifikasi SVM untuk hasil training akurasi 1 dengan waktu 0.0429792 detik dan untuk hasil akurasi pengujian 0.914894 dengan waktu komputasi 0.0186088 detik.