Deteksi Objek Menggunakan Metode You Only Look Once

TESIS

FARUQ AZIZ 14002420

PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER UNIVERSITAS NUSA MANDIRI

JAKARTA 2021

Yang bertanda tangan di bawah ini : Nama : Faruq Aziz

NIM : 14002420 Program Studi : Strata Dua (S2) Konsentrasi : Data Mining

Dengan ini menyatakan bahwa tesis yang telah saya buat dengan judul: “Deteksi Objek Menggunakan Metode YOLO untuk Identifikasi Penyakit Padi ” adalah hasil karya sendiri, dan semua sumber baik yang kutip maupun yang dirujuk telah saya nyatakan dengan benar dan tesis belum pernah diterbitkan atau dipublikasikan dimanapun dan dalam bentuk apapun.

Demikianlah surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila dikemudian hari ternyata saya memberikan keterangan palsu dan atau ada pihak lain yang mengklaim bahwa tesis yang telah saya buat adalah hasil karya milik seseorang atau badan tertentu, saya bersedia diproses baik secara pidana maupun perdata dan kelulusan saya dari Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri dicabut/dibatalkan.

Jakarta, 12 Januari 2022 Yang menyatakan,

Faruq Aziz

Nama : Faruq Aziz NIM : 14002420 Program Studi : Ilmu Komputer Jenjang : Strata Dua (S2) Konsentrasi : Data Mining

Judul Tesis : Deteksi Objek Menggunakan Metode YOLO untuk Identifikasi Penyakit Padi

Untuk dipertahankan pada periode 2022-1 dihadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Ilmu Komputer (M.Kom) pada Program Studi Ilmu Komputer (S2) Universitas Nusa Mnadiri

Jakarta, 12 Januari 2022 PEMBIMBING TESIS

Pembimbing I :

Prof. Dr. Dwiza Riana, S.Si, MM, M.Kom ………

Pembimbing II :

Dr. Ferda Ernawan, M.Cs. Ph.D ………...

D E W A N P E N G U J I

Penguji I : ... ...

Penguji II : ... ...

Penguji III/ : ... ...

Pembimbing

NIM : 14002420 Nama Lengkap : Faruq Aziz

Dosen Pembimbing : Prof. Dr. Dwiza Riana, S.Si, MM, M.Kom

Judul Tesis : Deteksi Objek Menggunakan Metode YOLO untuk Identifikasi Penyakit Padi

No Tanggal

Bimbingan Pokok Bahasan Paraf Dosen

Pembimbing 1 18 September 2021 Pengajuan tema

2 19 September 2021 Pengajuan literature review dan Dataset

3 16 Oktober 2021 Laporan Progress Eksperimen 4 23 Oktober 2021 Laporan Progress Eksperimen 5 9 November 2021 Pengajuan BAB III dan BAB IV 6 12 November 2021 Pengajuan Revisi BAB III dan

BAB IV

7 29 November 2021 Pengajuan BAB I, BAB II dan BAB V

8 11 Desember 2021 Acc BAB III dan BAB IV

9 18 Desember 2021 Pengajuan Revisi BAB I, BAB II 10 5 Januari 2022 Pengajuan Keseluruhan dan

Abstrak

11 6 Januari 2022 Acc Keseluruhan dan Abstrak 12 21 Januari 2022 Presentasi Penelitian

Bimbingan Tesis:

• Dimulai pada tanggal : 18 September 2021

• Diakhiri pada tanggal : 21 Januari 2022

• Jumlah bimbingan : 11 Kali

Disetujui oleh, Dosen Pembimbing

(Prof. Dr. Dwiza Riana, S.Si, MM. M.Kom)

Puji Tuhan Alhamdulillah, penulis ucapkan kepada Tuhan YME yaitu Allah SWT, yang telah melimpahkan rahmat dan karunia-Nya sehingga pada akhirnya penulis dapat menyelesaikan tesis ini tepat pada waktunya. Dimana laporan tesis ini penulis sajikan dalam bentuk buku yang sederhana

Penulis menyadari bahwa tanpa bimbingan dan dukungan dari semua pihak dalam pembuatan laporan tesis ini, maka penulis tidak dapat menyelesaikan laporan tesis ini tepat pada waktunya. Untuk itu ijinkanlah penulis pada kesempatan ini untuk mengucapkan terima kasih kepada:

1. Ketua Universitas Nusa Mandiri, Ibu Prof. Dr. Dwiza Riana, S.Si, MM, M.Kom

2. Ketua Program Studi Ilmu Komputer

3. Pembimbing Tesis, Ibu Prof. Dr. Dwiza Riana, S.Si, MM, M.Kom dan Mr.

Dr. Ferda Ernawan, M.Cs. Ph.D

4. Orang Tua dan segenap keluarga besar yang selalu mendukung 5. Teman-teman tercinta yang saling menyemangati

6. Rekan-rekan kelas 14.4A.01 Universitas Nusa Mandiri

Serta semua pihak yang tidak dapat penulis sebutkan satu persatu, sehingga atas bantuan semua pihak tersebut penulis dapat menyelesaikan penulisan tesis ini.

Penulis menyadari bahwa dalam penulisan tesis ini masih terdapat banyak kekurangan dan kekeliruan, untuk itu penulis mengharapkan kritik dan saran membangun agar penulisan karya ilmiah yang penulis hasilkan di masa yang akan datang manjadi semakin lebih baik.

Akhir kata semoga laporan tesis ini dapat bermanfaat bagi penulis khususnya dan bagi para pembaca yang berminat pada umumnya.

Jakarta, 12 Januari 2022 Penulis,

Faruq Aziz

Yang bertanda tangan di bawah ini, saya : Nama : Faruq Aziz

NIM : 14002420 Program Studi : Ilmu Komputer Jenjang : Strata Dua (S2) Konsentrasi : Data Mining Jenis Karya : Tesis

Demi pengembangan ilmu pengetahuan, dengan ini menyetujui untuk memberikan ijin kepada pihak Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalti-Free Right) atas karya ilmiah kami yang berjudul: “Deteksi Objek Menggunakan Metode YOLO untuk Identifikasi Penyakit Padi” beserta perangkat yang diperlukan (apabila ada).

Dengan Hak Bebas Royalti Non-Eksklusif ini pihak Universitas Nusa Mandiri berhak menyimpan, mengalih-media atau bentuk-kan, mengelolaannya dalam pangkalan data, mendistribusikannya dan menampilkan atau mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari kami selama tetap mencantumkan nama kami sebagai penulis/pencipta karya ilmiah tersebut.

Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Nusa Mandiri, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini.

Demikian pernyataan ini saya buat dengan sebenarnya.

Jakarta, 12 Januari 2022 Yang Menyatakan

Faruq Aziz

NIM : 14002420

Program Studi : Magister Ilmu Komputer Jenjang : Strata Dua (S2)

Konsentrasi : Data Mining

Judul : “Deteksi Objek Menggunakan Metode YOLO untuk Identifikasi Penyakit Padi”

Tanaman padi telah banyak terserang berbagai penyakit. Daun tanaman padi dapat digunakan untuk mengidentifikasi penyakit karena memiliki penampang yang lebar, selain itu perubahan warna dan bercak lebih terlihat dibandingkan batang, malai, dan akar padi. Penelitian ini menyajikan deteksi penyakit daun padi menggunakan Convolutional Neural Network yaitu Yolo untuk memprediksi bounding box dan mengidentifikasi objek. Eksperimen menggunakan dataset daun padi publik Indonesia dan Hasil eksperimen menunjukkan bahwa skema yang diusulkan mencapai nilai rata-rata akurasi validasi 94% dengan kecepatan deteksi 1 gambar 0,028 detik.

Kata Kunci: Penyakit Padi, CNN, YOLO

Nama : Faruq Aziz

NIM : 14002420

Program Studi : Computer Science Jenjang : Magister Postgraduate Konsentrasi : Data Mining

Judul : “Object Detection Using YOLO Method to Diagnose Rice Leaf Diseases”

The rice plant has been widely infected by various diseases. The leaf of the rice plant can be used to diagnose the disease because they have a wide cross-section, besides that the discoloration and spots are more visible than the stems, panicles, and roots of rice. This research presents rice leaf diseases detection using a Convolutional Neural Network namely Yolo to predict bounding boxes and identify objects. The experiments used a public Indonesian rice leaf dataset and The experimental results show that the proposed scheme achieves a mean accuracy is 94% with a detection speed of 1 image of 0.028 seconds.

Keywords: Rice Leaf Diseases, CNN, YOLO

Halaman Persetujuan Tesis ... iii

Lembar Konsultasi ... iv

Kata Pengantar ... v

Surat Pernyataan Publikasi ... vi

Abstrak ... viii

Daftar Isi... x

Daftar Gambar ... xi

Daftar Tabel ... xii

BAB I PENDAHULUAN ... 1

1.1.Latar Belakang ... 1

1.2.Identifikasi Masalah ... 3

1.3.Tujuan Penelitian ... 3

1.4.Ruang Lingkup ... 4

1.5.Kontribusi Tesis ... 4

1.6.Sistematika Penulisan ... 4

BAB II KERANGKA PEMIKIRAN ... 6

2.1. Tinjauan Pustaka ... 6

2.1.1. Klasifikasi pada Pengolahan Citra ... 6

2.1.2. Pemrosesan pada Citra ... 6

2.1.3. Convolutional Neural Network (CNN) ... 9

2.1.4. Transfer Learning – CNN Populer ... 12

2.1.5. Evaluasi Model... 19

2.2. Tinjauan Studi ... 23

2.3. Objek Penelitian ... 28

BAB III METODE PENELITIAN... 31

3.1. Tahapan Penelitian ... 31

3.2. Dataset Used ... 32

3.3. Preprocessing pada Citra ... 32

3.4. Pembagian Dataset ... 32

3.5. Usulan Model ... 32

3.6. Evaluasi Performa ... 35

BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 39

4.1. Hasil Eksperimen ... 39

4.1.1. Sumber Daaset ... 39

4.1.2. Anotasi pada Citra ... 39

4.1.3. Preprocessing ... 40

4.1.4. Split Dataset ... 43

4.1.5. Train Model ... 44

4.2. Perbandingan dengan Model Lain ... 53

BAB V PENUTUP ... 54

4.1. Kesimpulan ... 54

4.2. Saran ... 55

DAFTAR PUSTAKA ... 56

Gambar 2.3. Arsitektur VGG16 ... 13

Gambar 2.4. Layer VGG16 ... 13

Gambar 2.5. Layer GoogleNet ... 14

Gambar 2.6. Arsitektur ResNet ... 16

Gambar 2.7. Arsitektur YOLO ... 17

Gambar 2.8. Confusion Matrix ... 19

Gambar 2.9. Accuracy ... 21

Gambar 2.10. Precision ... 22

Gambar 2.11. Recall ... 22

Gambar 2.12. Blight Disease ... 28

Gambar 2.13. Blast Disease ... 29

Gambar 2.14. Brownspot Disease ... 29

Gambar 2.15. Hispa Disease ... 30

Gambar 3.1. Alur Kerja Penelitian ... 31

Gambar 3.2. Arsitektur YOLOv5 ... 34

Gambar 4.1. Hasil Anotasi pada Citra ... 39

Gambar 4.2. Contoh Dataset – Fliped ... 41

Gambar 4.3. Contoh Dataset – 90 Rotated ... 41

Gambar 4.4. Contoh Dataset – 30 Rotated ... 42

Gambar 4.5. Contoh Dataset – HUE ... 42

Gambar 4.6. Contoh Dataset – Saturation ... 42

Gambar 4.7. Contoh Dataset – Exposure ... 43

Gambar 4.8. Contoh Dataset – Brightness ... 43

Gambar 4.9. Daun Padi dengan 2 Penyakit ... 44

Gambar 4.10. Confusion Matrix pada Model Usulan ... 46

Gambar 4.11. Kurva Precision ... 47

Gambar 4.12. Kurva Recall ... 48

Gambar 4.13. Kurva F1-Score ... 48

Gambar 4.14. Hasil Prediksi Model Usulan ... 49

Gambar 4.15. Hasil Identifikasi Citra dengan Model ... 51

Gambar 4.16. Boundary-box pada citra yang teridentifikasi penyakit ... 52

Gambar 4.17. Boundary-box pada citra dengan cahaya yang gelap ... 52

Gambar 4.18. Boundary-box pada citra dengan cahaya yang terang ... 52

Tabel 3.1. Standar Parametr Yolo ... 37

Tabel 3.2. Hardware yang digunakan ... 38

Tabel 4.1. Evaluasi Train dan Validasi Model ... 45

Tabel 4.2. Perbandingan dengan Model Lainnya ... 53

1.1.Latar Belakang

Padi merupakan salah satu tanaman pangan pokok yang sangat penting untuk menunjang ketahanan pangan bagi sebagian besar masyarakat di dunia [1][2], menjadikan petani padi sebagai salah satu ujung tombak sumber pangan diberbagai negara termasuk Indonesia [3]. Sektor pertanian khususnya produksi padi seringkali menghadapi risiko ketidakpastian termasuk gagal panen yang disebabkan oleh perubahan iklim seperti dampak banjir, kekeringan, hama bahkan penyakit atau organisme pengganggu tanaman yang berdampak pada kerugian yang diderita petani [4]. Jika penyakit ini tidak segera diberantas maka akan mudah menyebar ke tanaman padi lain dan berdampak pada menurunnya kualitas beras yang dihasilkan bahkan menyebabkan gagal panen [5]. Penyakit pada tanaman padi juga mempengaruhi perubahan sosial masyarakat di suatu negara, terutama di negara berkembang, sehingga berdampak pada perubahan jenis, tingkat serangan, perkembangan, dan laju penyebaran penyakit pada tanaman itu sendiri [6].

Penyakit yang menyerang tanaman padi akan menunjukkan gejala berupa bercak dengan pola dan warna tertentu. Dimana gejala tersebut terlihat pada beberapa bagian padi diantaranya malai, daun, batang, dan akar. Namun gejala penyakit padi lebih sering dikenali melalui daun padi karena memiliki penampang yang lebar, selain itu perubahan warna dan bintik lebih terlihat. Oleh karena itu, daun padi digunakan sebagai tahap awal dalam identifikasi penyakit padi [7].

Teknologi yang digunakan petani dalam mengembangkan produksi padi saat ini memerlukan beberapa perbaikan sesuai dengan permasalahan yang mengancam, juga memperhatikan sumber daya dan lingkungan, termasuk penyakit tanaman yang dapat berkembang dari waktu ke waktu [8].

Pengendalian penyakit pada tanaman padi penting dilakukan sebagai upaya menjaga stabilitas pangan, karena penyakit yang menyerang tanaman akan berkembang pesat dari waktu ke waktu sehingga dapat mengancam pertumbuhan tanaman padi [9]. Balai Penelitian Padi Indonesia tahun 2018 telah merencanakan beberapa program pengendalian hama dan penyakit padi, namun berdasarkan laporan tahunan yang dibuat oleh Balai Penelitian Padi Indonesia.

Mereka menghadapi beberapa kendala dimana kondisi Sumber Daya Manusia (SDM) yang sebagian besar sudah memasuki usia pensiun, selain itu peralatan yang digunakan di laboratorium dan di lapangan, masih menggunakan peralatan lama, serta kegiatan yang dilakukan di lapangan, tergantung pada musim tanam, kondisi iklim, curah hujan, gangguan hama, serta penyakit dan gulma yang menyerang sehingga Balai Penelitian Padi Indonesia membutuhkan kerjasama dalam bentuk penelitian dengan lembaga lain yang sudah memiliki peralatan modern [10].

Teknologi revolusi industri 4.0 pada bidang pertanian [11] saat ini memanfaatkan teknologi aplikasi pertanian presisi tinggi untuk mengatasi permasalahan di bidang pertanian, seperti kombinasi bioinformatika dan algoritma genetika [12] untuk menemukan benih unggul dan proses persilangan kromosom [13]. Di sisi lain, penggunaan sistem interpretasi citra cerdas juga digunakan untuk perencanaan penggunaan lahan, serta sistem fuzzy untuk mendiagnosa hama dan penyakit tanaman [14].

Salah satu tren pemanfaatan teknologi di bidang pertanian dalam mendeteksi penyakit pada tanaman padi adalah penggunaan metode classifier untuk mengklasifikasikan penyakit tanaman padi umumnya seperti penggunaan model Support Vector Machine (SVM) [7], Convolutional Neural Network (CNN) [15], Transfer Learning CNN [16], kembangan CNN [17].

Penelitian ini mengusulkan model algoritma menggunakan You Only Look Once (YOLO) yang merupakan salah satu kembangan CNN [18]. Tujuan dari penelitian ini adalah untuk dapat mendiagnosa atau mendeteksi penyakit pada daun padi. Selain itu metode ini juga diusulkan karena beberapa daun terkadang teridentifikasi 2 penyakit bahkan bisa lebih, sehingga diperlukan adanya algoritma yang mampu mendeteksi citra beserta dengan memberikan garis kotak (boundary- box) sebagai penentu lebih spesifik letak penyakit pada daun. Penelitian ini diharapakan dapat menghasilkan akurasi, recall, precision yang lebih baik dari penelitian sebelumnya [19]. Hal ini juga diharapkan dapat membantu petani untuk mengklasifikasikan penyakit tanaman padi berdasarkan kelas atau jenisnya, mengendalikan penyebaran penyakit pada tanaman padi, dan memberikan solusi dalam mengatasi penyakit tanaman padi.

1.2.Identifikasi Masalah

Algoritma yang sudah ada untuk mendeteksi citra pada penyakit daun biasanya berupa pengklasifikasian dengan teknik pengenalan (recognition) seperti menggunakan SVM [19], CNN [15], [20], Transfer-Learning seperti VGG16 [21], MobileNet [22], DensNet-201 [23][24], AlexNet [25][16], EfficientNet [26], Inception ResNet [27], sedangkan pada kasus pendeteksian penyakit pada citra daun padi terkadang ada yang terinfeksi 2 penyakit juga perlu adanya identifikasi yang jelas agar dapat diketahui posisi letak penyakitnya, metode yang dianggap sesuai dengan kebutuhan merupakan metode deteksi pada citra dengan memberikan label atau boundary-box pada objek, penelitian yang telah diteliti seperti dengan metode Fast R-CNN [17], SSD [28], menggunakan region untuk melokalisasi objek di dalam citra. Metode ini tidak dapat mempertimbangkan citra keseluruhan.

Sebaliknya, keseluruhan dari citra mungkin memiliki probabilitas tinggi untuk mengandung objek. Metode Fast R-CNN [29] yang merupakan salah satu kembangan CNN masih membutuhkan banyak waktu dalam network learning untuk mengklasifikasikan objek di dalam citra [30]. Fast R-CNN terkadang kurang mampu mendeteksi objek pada citra yang masih terdapat latar belakang [18].

1.3.Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut:

1. Mengimplementasi metode YOLO di dalam menganalisis citra digital untuk mengidentifikasi penyakit pada daun padi sebagai keputusan awal dan penopang kebijakan.

2. Menguji metode YOLO yang dikembangkan untuk mengidentifikasi penyakit pada daun padi dan membandingkannya dengan penelitian yang sudah ada dalam identifikasi jenis penyakit pada daun padi.

Selain tujuan penelitian di atas tujuan penulisan laporan tesis ini dibuat sebagai salah satu syarat untuk mendapatkan gelar Magister Ilmu Komputer (M.Kom) pada Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri.

1.4.Ruang Lingkup

Ruang lingkup pembahasan masalah dalam penelitian ini adalah sebagai berikut:

1. Dataset citra yang digunakan dalam penelitian ini berupa dataset publik Indonesia.

2. Pengimplementasian program dirancang dengan bahasa pemrograman python dengan tools dari Google Collaboratory [31].

3. Klasifikasi yang digunakan merupakan deteksi pada citra dengan memberikan boundary-box sebagai penanda objek.

4. Klasifikasi citra dilakukan menggunakan algoritma kembangan CNN.

1.5.Kontribusi Tesis

Kontribusi dalam penelitian ini yaitu mengusulkan metode YOLO yang dikembangkan untuk mendeteksi penyakit pada daun padi secara cepat dan tepat, memberikan tanda secara spesifik berupa garis kotak (boundary-box) pada objek penyakit agar model mampu mendiagnosa penyakit padi guna membantu petani menentukan keputusan serta mengevaluasi model yang diusulkan dengan meningkatkan akurasi dari metode sebelumnya [32].

1.6.Sistematika Penulisan

Agar penulisan tesis lebih mudah dipahami, maka penulisan diuraikan dengan lebih sistematis dengan sistematika penulisan sebagai berikut:

BAB I PENDAHULUAN

Pada bab ini berisi uraian fakta dan data yang berkaitan dengan permasalahan yang akan diteliti, mendeskripsikan mengenai latar belakang masalah, identifikasi masalah, tujuan penelitian, ruang lingkup penelitian, kontribusi tesis dan sistematika penulisan.

BAB II KERANGKA PEMIKIRAN

Bab ini berisi tentang landasan teori yang digunakan dalam melakukan penelitian.

Pada bab ini membahas tentang landasan-landasan teoritis yang digunakan untuk

melaksanakan penelitian yang mencakup tinjauan studi dan tinjauan pustaka serta ringkasan dari karya-karya yang serupa untuk mendukung proses penelitian.

BAB III METODOLOGI PENELITIAN

Pada bab ini membahas tentang metode pengumpulan data penelitian yang membahas tentang perencanaan metode penelitian serta konsep dari penelitian yang nantinya akan digunakan sebagai solusi penyelesaian masalah yang diangkat dalam penelitian, eksperimen yang dilakukan, matriks performansi evaluasi model.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Pada bab ini berisi tentang hasil dan pembahasan dari penelitian dimulai dari pengambilan data, pengolahan data dengan menggunakan model yang diusulkan untuk mendapatkan nilai evaluasi dari masing-masing metode yang digunakan serta menjelaskan hasil penelitian dan keterlibatan dalam penelitian.

BAB V PENUTUP

Dalam bab terakhir ini membahas tentang kesimpulan yang dihasilkan dari penelitian dan saran untuk pengembangan penelitian selanjutnya.

BAB II

KERANGKA PEMIKIRAN

2.1. Tinjauan Pustaka

Tinjauan pustaka dan kerangka pemikiran dilakukan untuk mendukung penelitian. Sehingga penelitian dapat berdasarkan pada sumbernya serta kerangka yang dihasilkan terstuktur dan sesuai dengan permasalahan yang diangkat.

2.1.1. Klasifikasi pada Pengolahan Citra

Klasifikasi pada citra dibagi menjadi 3 yaitu Recognition, Detection, Segmentation yang mana [33]:

a) Object Recognition

Pengenalan objek (Object recognition) adalah teknik mengidentifikasi objek yang ada dalam gambar dan video. Ini adalah salah satu aplikasi terpenting dari pembelajaran mesin dan pembelajaran mendalam. Tujuan dari bidang ini adalah untuk mengajarkan mesin untuk memahami (mengenali) konten citra seperti yang dilakukan manusia.

b) Object Detection

Algoritma Deteksi Objek (Object Detection) bertindak sebagai kombinasi dari klasifikasi citra dan lokalisasi objek. Dibutuhkan citra sebagai input dan menghasilkan satu atau lebih kotak pembatas dengan label kelas yang dilampirkan ke setiap kotak pembatas. Algoritma ini cukup mampu untuk menangani klasifikasi dan lokalisasi multi-kelas serta menangani objek dengan banyak kejadian.

c) Object Segmentation

Segmentasi Citra (Object Segmentation) adalah perluasan lebih lanjut dari deteksi objek di mana kami menandai keberadaan suatu objek melalui topeng piksel yang dihasilkan untuk setiap objek dalam citra. Teknik ini lebih granular daripada pembuatan kotak pembatas karena ini dapat membantu menentukan bentuk setiap objek yang ada dalam citra.

2.1.2. Prapemrosesan pada Citra

Pre-pemrosesan (preprocessing) pada citra bertujuan untuk meningkatkan kualitas gambar agar dapat dianalisis dengan lebih baik. Dengan preprocessing kita dapat menekan distorsi yang tidak diinginkan dan meningkatkan beberapa fitur yang diperlukan sesuai dengan kebutuhan [34].

Preprocessing juga digunakan agar data terhindar dari overfitting maupun underfitting yang mana keduanya bisa terjadi ketika training model pada machine learning sehingga model tidak akan melakukan prediksi dengan benar [35].

Underfitting terjadi ketika model tidak bisa melihat logika dibelakang data, hingga tidak bisa melakukan prediksi dengan tepat, baik untuk dataset training maupun dataset lain yang serupa. Underfitting model akan memiliki high-loss dan akurasi rendah. Misalnya: jika akurasi model adalah 50% pada data pelatihan dengan 90% loss, maka ini adalah kasus underfitting yang jelas.

Overfitting terjadi karena model yang dibuat terlalu fokus pada training dataset tertentu, hingga tidak bisa melakukan prediksi dengan tepat jika diberikan dataset lain yang serupa. Overfitting biasanya akan menangkap data noise yang seharusnya diabaikan. Overfitting model akan memiliki low-loss dan akurasi tinggi.

Misalnya: jika akurasi model adalah 99% pada data pelatihan tetapi 50% pada data uji, maka ini adalah kasus overfitting yang jelas [36].

Sementara model yang baik adalah model yang bisa menjelaskan data tanpa terpengaruh oleh data noise. Model tidak akan fit terhadap tiap data point, namun mampu menjelaskan trend atau kelompok data. Model yang baik akan memiliki low-loss dan akurasi tinggi. Jika underfitting terjadi, kemungkinan adalah salah dalam memilih model. Sementara overfitting dapat dicegah dengan melakukan validasi pada model atau menambah citra pada dataset. Ada banyak teknik preprocessing pada citra diantaranya:

a) Anotasi pada Citra

Anotasi pada citra dilakukan untuk pelabelan bounding-box, agar model yang diuji mampu mengenali objek secara spesifik, ini merupakan teknik wajib bagi deteksi objek.

b) Resize Citra

Menyetting agar semua ukuran citra pada dataset menjadi seragam sehingga memperingan komputasi, syarat dari resize adalah ubahlah ukuran dari yang besar menjadi lebih kecil, jangan sebaliknya karena biasanya dapat merubah citra menjadi lebih jelek dari yang asli.

c) Auto-Orientasi

Orientasi otomatis dilakukan agar anotasi pada citra tetap dalam posisi yang sama dengan objek apabila dilakukan augmentasi

d) Augmentasi Data

Augmentasi data digunakan untuk menambah dataset dengan posisi yang berbeda-beda, biasa digunakan agar tidak terjadi overfitting pada model [37].

1) Flip

Flip adalah data citra yang diputar baik secara horisontal maupun vertikal.

2) Rotasi citra

Rotasi (rotate) adalah augmentasi yang berguna khususnya karena mengubah sudut objek yang muncul di dataset selama pelatihan.

Mungkin, selama proses pengumpulan gambar, gambar hanya dikumpulkan dengan objek secara horisontal, tetapi dalam produksi, objek dapat dimiringkan ke kedua arah. Rotasi dapat meningkatkan model tanpa harus mengumpulkan dan memberi label lebih banyak data.

3) Hue

Augmentasi hue secara acak mengubah saluran warna dari gambar input, menyebabkan model mempertimbangkan skema warna alternatif untuk objek dan pemandangan dalam citra input. Teknik ini berguna untuk memastikan model tidak mengingat objek atau warna pemandangan tertentu. Sementara warna citra keluaran bisa tampak aneh, untuk interpretasi manusia, augmentasi hue membantu model mempertimbangkan tepi dan bentuk objek daripada hanya warna. Karena asal lingkaran warnanya, hue diukur secara radial, artinya gambar masukan diubah relatif terhadap sejumlah derajat plus atau minus titik awalnya.

4) Saturation

Augmentasi saturasi mirip dengan Hue. Citra desaturasi penuh adalah skala abu-abu, desaturasi sebagian memiliki warna yang diredam, dan saturasi positif menggeser warna lebih ke warna primer. Menyesuaikan

saturasi citra dapat membantu model tampil lebih baik saat menguji warna yang berbeda.

5) Exposure

Merupakan teknik augmentasi untuk kecerahan pada citra yang membantu model lebih tahan terhadap pencahayaan dan perubahan pengaturan kamera.

2.1.3. Convolutional Neural Network (CNN)

Convolutional Neural Network (CNN) adalah salah satu jenis neural network yang biasa digunakan pada data image. CNN bisa digunakan untuk mendeteksi dan mengenali object pada sebuah image. CNN adalah sebuah teknik yang terinspirasi dari cara mamalia - manusia, menghasilkan persepsi visual [38]. Secara garis besar CNN tidak jauh beda dengan neural network biasanya yang membedakan adalah arsitektur dari CNN dibagi menjadi 2 bagian besar, Feature Extraction Layer [39]

dan Fully-Connected Layer (MLP) [40], CNN merupakan metode yang sering direkomendasikan untuk membuat klasifikasi pada kasus citra/ data image [38]

[41].

CNN terdiri dari neuron yang memiliki weight, bias dan activation-function.

Convolutional layer juga terdiri dari neuron yang tersusun sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan tinggi (pixels). Secara garis besarnya, CNN memanfaatkan proses konvolusi dengan menggerakan sebuah kernel konvolusi (filter) berukuran tertentu ke sebuah gambar, komputer mendapatkan informasi representatif baru dari hasil perkalian bagian gambar tersebut dengan filter yang digunakan [41].

Gambar 2.1. Arsitektur CNN

a. Ekstraksi Fitur (Feature Extraction Layer)

Merupakan sebuah proses untuk melakukan “encoding” dari sebuah citra menjadi features yang berupa angka-angka yang merepresentasikan citra tersebut (Feature Extraction). Feature extraction layer terdiri dari dua bagian.

Convolutional Layer dan Pooling Layer. Namun kadang ada beberapa penelitian yang tidak menggunakan pooling [42].

b. Convolutional Layer (Conv. Layer)

Gambar 2.2. Citra 3 Channel

Gambar diatas adalah RGB (Red, Green, Blue) citra berukuran 416x416 piksel yang sebenarnya adalah multidimensional array dengan ukuran 416x416x3 (3 adalah jumlah channel).

Convolutional layer terdiri dari neuron yang tersusun sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan tinggi (pixels) [43]. Sebagai contoh, layer pertama pada feature extraction layer biasanya adalah conv. layer dengan ukuran 5x5x3. Itu artinya panjang 5 pixels, tinggi 5 pixels dan tebal/jumlah 3 buah sesuai dengan channel dari citra tersebut. Ketiga filter ini akan digeser keseluruh bagian dari 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 [44].

c. Stride

Stride adalah parameter yang menentukan berapa jumlah pergeseran filter. Jika nilai stride adalah 1, maka conv. filter akan bergeser sebanyak 1 pixels secara horizontal lalu vertical. Semakin kecil stride maka akan semakin detail informasi yang didapatkan dari sebuah input, namun membutuhkan komputasi yang lebih banyak jika dibandingkan dengan stride yang besar. Namun perlu diperhatikan bahwa dengan menggunakan stride yang kecil, tidak selalu akan mendapatkan performa yang bagus [45].

d. Padding

Padding atau zero padding adalah parameter menentukan jumlah piksel (berisi nilai 0) yang akan ditambahkan disetiap sisi dari input. Hal ini digunakan dengan tujuan untuk memanipulasi dimensi output dari conv. layer (feature-map) [46].

Tujuan dari penggunaan padding [47] adalah:

1. Dimensi output dari conv. layer selalu lebih kecil dari inputnya (kecuali penggunaan 1x1 filter dengan stride 1). Output ini akan digunakan kembali sebagai input dari conv. layer selanjutnya, sehingga makin banyak informasi yang terbuang.

2. Dengan menggunakan padding dapat mengatur dimensi output agar tetap sama seperti dimensi input atau setidaknya tidak berkurang secara drastis. Sehingga bisa menggunakan conv. layer yang lebih dalam/deep sehingga lebih banyak features yang berhasil di ekstrak.

3. Meningkatkan performa dari model karena conv. filter akan fokus pada informasi yang sebenarnya yaitu yang berada diantara zero padding tersebut.

Untuk menghitung dimensi dari feature map, bisa gunakan rumus seperti dibawah ini:

𝑜𝑢𝑡𝑝𝑢𝑡 =W − N + 2P S + 1 Yang mana:

W = Panjang/Tinggi Input N = Panjang/Tinggi Filter P = Zero Padding

S = Stride

e. 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 [48]. Sebagai contoh jika menggunakan Max Pooling 2x2 dengan stride 2, maka pada setiap pergeseran filter, nilai maximum pada area 2x2 pixel tersebut yang akan dipilih, sedangkan Average Pooling akan memilih nilai rata-ratanya. 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.

f. Fully-Connected Layer

Feature map yang dihasilkan dari feature extraction layer masih berbentuk multidimensional array, sehingga harus melakukan “flatten” atau reshape feature map menjadi sebuah vektor agar bisa digunakan sebagai input dari fully-connected layer [40].

2.1.4. Transfer Learning CNN

Transfer Learning merupakan teknik untuk menggunakan model yang popular di publik untuk digunakan kembali dengan dataset yang kita miliki [49].

Tranfer learning yang akan dipaparkan merupakan metode yang akan digunakan penulis sebagai perbandingan dengan metode usulan.

a) VGG16

VGG16 adalah Arsitektur Transfer Learning CNN sederhana dan banyak digunakan yang digunakan untuk ImageNet, proyek basis data visual besar yang digunakan dalam penelitian perangkat lunak pengenalan objek visual. Arsitektur VGG16 dikembangkan dan diperkenalkan oleh Karen Simonyan dan Andrew Zisserman dari Universitas Oxford, pada tahun 2014, melalui artikel mereka

“Jaringan Konvolusi Sangat Dalam untuk Pengenalan Gambar Skala Besar”

[50][51].

Sumber: [52]

Gambar 2.3. Arsitektur VGG16

VGG adalah singkatan dari Visual Geometry Group, yang merupakan sekelompok peneliti di Universitas Oxford yang mengembangkan arsitektur ini, dan '16' menyiratkan bahwa arsitektur ini memiliki 16 hidden/lapisan layer. VGG16 digunakan dalam banyak teknik klasifikasi gambar pembelajaran mendalam dan populer karena kemudahan implementasinya. VGG16 banyak digunakan dalam aplikasi pembelajaran karena keunggulan yang dimilikinya dan VGG16 merupakan Arsitektur CNN, yang digunakan untuk memenangkan ImageNet Large Scale Visual Recognition Challenge (ILSVRC) pada tahun 2014 [53]. Ini masih merupakan salah satu arsitektur popular sampai saat ini.

Berikut merupakan layer yang dipakai VGG16:

Sumber: [52]

Gambar 2.4. Layer VGG16

b) GoogleNet

GoogLeNet adalah jaringan neural konvolusional dalam 22 lapisan yang merupakan varian dari Inception Network, Jaringan Neural Konvolusional Dalam yang dikembangkan oleh para peneliti di Google [54].

Arsitektur GoogLeNet yang disajikan di ILSVRC tahun 2014 menyelesaikan tugas-tugas computer vision seperti klasifikasi gambar dan deteksi objek - cari tahu seberapa baik performanya di bagian kesimpulan artikel ini. Saat ini biasanya GoogLeNet digunakan untuk tugas-tugas computer vision lainnya seperti deteksi dan pengenalan wajah [55], identifikasi tanaman [22], [56], [57], [58] dan lain sebagainya.

Sumber: [54]

Gambar 2.5. Layer GoogleNet

Gambar 9 diatas adalah tensor 64 peta fitur, masing-masing dengan lebar dan tinggi 32x32. Kemudian, tiga operasi dilakukan secara paralel:

1) sebuah operasi konvolusi dengan 16 filter ukuran 1x1. Tensor keluaran akan berukuran 32x32x16 (angka terakhir mengacu pada jumlah peta fitur yang dihasilkan, sama dengan jumlah filter yang dililitkan di atas gambar).

2) sebuah operasi konvolusi dengan 32 filter ukuran 3x3. Untuk mempertahankan keluaran dengan lebar dan tinggi yang sama dengan peta fitur asli, ini dapat menyetel padding = same dan stride = 1. Tensor keluaran akan berukuran 32x32x32.

3) a max-penyatuan operasi dengan ukuran filter dari 3x3 (penalaran yang sama dengan padding dan langkahnya seperti sebelumnya). Tensor keluaran akan berukuran 32x32x64 (dalam hal ini, karena filter penggabungan melewati setiap peta fitur dari tensor masukan, tensor keluaran akan memiliki kedalaman yang sama dengan yang asli = 64).

c) ResNet

ResNet (Residual Network) adalah struktur jaringan yang diusulkan oleh He Kaiming, Sun Jian , dan lainnya dari Microsoft Research Asia pada tahun 2015, dan memenangkan tempat pertama dalam tugas klasifikasi ILSVRC-2015 [53]. Pada saat yang sama, ia memenangkan tempat pertama dalam deteksi ImageNet, lokalisasi ImageNet, deteksi COCO, dan tugas segmentasi COCO [59]. Jaringan Neural yang sangat dalam sulit untuk dilatih karena masalah Gradien Menghilang / Meledak. Itu artinya ketika menumpuk beberapa lapisan dalam Jaringan Neural Konvolusi maka secara teori kesalahan pelatihan harus berkurang tetapi dalam praktik atau kenyataan, menambahkan lebih banyak lapisan di CNN (membuat CNN lebih dalam), menyebabkan kesalahan pelatihan meningkat daripada menurun. Ini tidak terjadi karena Overfitting. Karena overfitting berarti akurasi latihan yang baik tapi akurasi tes yang buruk. Masalahnya disini adalah masalah Optimasi atau Degradasi [60]. Model yang lebih dalam lebih sulit untuk dioptimalkan.

Dengan meningkatnya kedalaman jaringan, akurasi menjadi jenuh dan kemudian menurun dengan cepat (kesalahan pelatihan meningkat), itulah mengapa menambahkan blok residual sebagai ganti lapisan jaringan biasa tidak merusak kinerja. Tetapi tujuan ResNet adalah untuk meningkatkan kinerja jadi jika lapisan di blok sisa dapat mempelajari sesuatu yang berguna maka kinerja pasti akan lebih baik.

Sumber: [59]

Gambar 2.6. Arsitektur ResNet

Untuk jaringan yang lebih dalam, dalam ResNet menggunakan struktur bottleneck, pertama menggunakan konvolusi 1x1 untuk pengurangan dimensi, kemudian konvolusi 3x3, dan terakhir menggunakan dimensi 1x1 untuk mengembalikan dimensi asli. Ini sama dengan mengurangi jumlah parameter untuk jumlah lapisan yang sama, sehingga dapat diperluas ke model yang lebih dalam.

Oleh karena itu, penulis mengusulkan ResNet dengan 50 [61], 101 [62], dan 152 [63] layer, dan tidak hanya itu tidak memiliki masalah degradasi, tetapi juga tingkat kesalahan sangat berkurang, dan kompleksitas komputasi menjadi sangat rendah.

ResNet mengatasi masalah pengoptimalan / degradasi dengan jaringan yang lebih dalam dengan melewatkan lapisan tertentu menggunakan koneksi lewati atau blok sisa. ResNet berhasil meningkatkan kedalaman dan tidak menyebabkan kerusakan pada kinerja model, sebaliknya, kinerja menjadi lebih baik. ResNet juga mampu mengurangi jumlah parameter yang merupakan faktor penting dalam hal kompleksitas komputasi.

d) YOLO

Detektor Objek berbasis CNN terutama berlaku untuk sistem rekomendasi.

YOLO (You Only Look Once) model yang digunakan untuk deteksi Obyek dengan kinerja tinggi. YOLO membagi gambar ke dalam sistem grid, dan setiap grid mendeteksi objek di dalam dirinya sendiri. Mereka dapat digunakan untuk deteksi objek waktu nyata berdasarkan aliran data. Mereka membutuhkan sumber daya komputasi yang sangat sedikit.

Sejarah YOLO

1) Yolov1 (8 Juni 2015): Deteksi Objek Real-Time Terpadu [18]

2) Yolov2 (25 Desember 2016): YOLO9000: Lebih Baik, Lebih Cepat, Lebih Kuat [64]

3) Yolov3 (8 April 2018): YOLOv3: Peningkatan Inkremental [65]

4) Yolov4 (23 April 2020): YOLOv4: Kecepatan Optimal dan Akurasi Deteksi Objek [66]

5) Yolov5 (18 Mei 2020): Kecepatan yang ditingkatkan dan alih Bahasa main pemrograman [67]

Untuk memahami bagaimana Yolov5 meningkatkan kinerja dan arsitekturnya, mari kita lihat arsitektur Deteksi Objek tingkat tinggi berikut:

Sumber: [66]

Gambar 2.7. Arsitektur YOLOv4

General Object Detector akan memiliki backbone untuk pra-pelatihan dan kepala untuk memprediksi kelas dan kotak pembatas. The Backbones dapat berjalan pada GPU atau CPU platform. The Head dapat berupa satu tahap (misalnya, YOLO, SSD, RetinaNet) untuk prediksi padat atau dua tahap (misalnya, lebih cepat R- CNN) untuk prediksi Jarang detektor objek [68]. Detektor Objek terbaru memiliki beberapa lapisan (Neck) untuk mengumpulkan peta fitur, dan itu berada diantara Backbones dan Head.

Di YOLOv4, CSPDarknet53 [69] digunakan sebagai tulang punggung dan block SPP untuk meningkatkan bidang reseptif, yang memisahkan fitur yang signifikan, dan tidak ada pengurangan kecepatan operasi jaringan. PANet [70]

digunakan untuk agregasi parameter dari level backbone yang berbeda. Head pada YOLOv3 digunakan untuk YOLOv4. YOLOv4 memperkenalkan metode baru augmentasi data Mosaic and Self-Adversarial Training (SAT) [71]. Mosaik menggabungkan empat gambar pelatihan. Pelatihan Perlawanan Diri beroperasi dalam dua tahap maju dan mundur. Pada tahap 1, jaringan mengubah satu-satunya gambar, bukan bobot. Pada tahap kedua, jaringan dilatih untuk mendeteksi objek pada citra yang dimodifikasi.

YOLO adalah sebuah algoritma yang dikembangkan untuk mendeteksi sebuah objek secara real-time. Sistem pendeteksian yang dilakukan adalah dengan menggunakan repurpose classifier atau localizer untuk melakukan deteksi. Sebuah model diterapkan pada sebuah citra di beberapa lokasi dan skala. Daerah dengan citra yang diberi score paling tinggi akan dianggap sebagai sebuah pendeteksian.

YOLO menggunakan pendekatan jaringan syaraf tiruan atau neural network untuk mendeteksi objek pada sebuah citra. Jaringan ini membagi citra menjadi beberapa wilayah dan memprediksi setiap kotak pembatas dan probabilitas untuk setiap wilayah. Kotak-kotak pembatas ini kemudian dibandingkan dengan setiap probabilitas yang diprediksi [15].

YOLO memiliki beberapa kelebihan dibandingkan dengan sistem yang berorientasi pada classifier, terlihat dari seluruh citra pada saat dilakukan test dengan prediksi yang diinformasikan secara global pada citra. Hal tersebut juga membuat prediksi dengan sintesis jaringan saraf ini tidak seperti sistem Region- Convolutional Neural Network (R-CNN) yang membutuhkan ribuan untuk sebuah citra sehingga membuat Yolo lebih cepat hingga beberapa kali daripada R-CNN [16]. Yolov5 hampir menyerupai Yolov4 dengan beberapa perbedaan berikut:

1) Yolov4 dirilis dalam kerangka Darknet, yang ditulis dalam C. Yolov5 didasarkan pada kerangka kerja PyTorch.

2) Kegunaan Yolov4 .cfg untuk konfigurasi sedangkan Yolov5 menggunakan .yaml file untuk konfigurasi.

2.1.5. Evaluasi Model

Evaluasi model klasifikasi didasarkan pada pengujian untuk memperkirakan obyek yang benar dan yang salah, urutan pengujian ditabulasikan adalah confusion matrix dimana kelas yang diprediksi ditampilkan di bagian atas matriks dan kelas yang diamati di sisi kiri. Setiap sel berisi angka yang menunjukan beberapa banyak kasus yang sebenarnya dari kelas yang diamati untuk diprediksi [72]. Tiap kolom pada matriks adalah contoh dalam kelas prediksi, sedangkan setiap baris mewakili kejadian di kelas yang sebenarnya. Confusion matrix digunakan sebagai indikasi aturan sifat klasifikasi (diskriminan). Confusion matrix ini berisi jumlah elemen yang telah dikelompokkan dengan benar atau tidak benar untuk setiap kelas. Salah satu manfaat dari confusion matrix adalah mudah untuk melihat sistem confusion multi kelas. Untuk setiap contoh di test-set, akan membandingkan kelas yang sebenarnya dengan kelas classifier.

Confusion matrix juga sering disebut error matrix. Pada dasarnya confusion matrix memberikan informasi perbandingan hasil klasifikasi yang dilakukan oleh sistem (model) dengan hasil klasifikasi sebenarnya. Confusion matrix berbentuk tabel matriks yang menggambarkan kinerja model klasifikasi pada serangkaian data uji yang nilai sebenarnya diketahui. Gambar dibawah ini merupakan confusion matrix dengan 4 kombinasi nilai prediksi dan nilai aktual yang berbeda. Perhatikan gambar dibawah ini:

Sumber: [73]

Gambar 2.8. Confusion Matrix

Terdapat 4 istilah sebagai representasi hasil proses klasifikasi pada confusion matrix. Keempat istilah tersebut adalah True Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN).

• True Positive (TP)

Merupakan data positif yang diprediksi benar.

• True Negative (TN)

Merupakan data negatif yang diprediksi benar.

• False Postive (FP) — Type I Error

Merupakan data negatif namun diprediksi sebagai data positif.

• False Negative (FN) — Type II Error

Merupakan data positif namun diprediksi sebagai data negatif. Pada beberapa kasus “Type II Error” lebih berbahaya.

Ada cara yang lebih mudah untuk mengingatnya, yaitu:

• Jika diawali dengan True maka prediksinya adalah benar, entah diprediksi terjadi atau tidak terjadi.

• Jika diawali dengan False maka prediksinya adalah salah.

• Positif dan negatif merupakan hasil prediksi dari model.

Tentunya model yang telah dibuat memberikan 0 false positive dan 0 false negative. Tetapi pada prakteknya hal tersebut tidak akan pernah terjadi karena model mana pun tidak akan memberikan keakuratan 100%. Jika ada model yang memberikan nilai 100% maka pasti ada masalah pada model yang dibuat atau data yang digunakan [74].

Beberapa manfaat dari confusion matrix:

1. Menunjukkan bagaimana model ketika membuat prediksi.

2. Tidak hanya memberi informasi tentang kesalahan yang dibuat oleh model tetapi juga jenis kesalahan yang dibuat.

3. Setiap kolom dari confusion matrix merepresentasikan instance dari kelas prediksi.

4. Setiap baris dari confusion matrix mewakili instance dari kelas aktual.

Confusion matrix untuk menghitung berbagai performance metrics untuk mengukur kinerja model yang telah dibuat. Pada bagian ini beberapa performance metrics populer yang umum dan sering digunakan: accuracy, precission, dan recall.

Accuracy

Accuracy menggambarkan seberapa akurat model dapat mengklasifikasikan dengan benar. Maka, accuracy merupakan rasio prediksi benar (positif dan negatif) dengan keseluruhan data. Dengan kata lain, accuracy merupakan tingkat kedekatan nilai prediksi dengan nilai aktual (sebenarnya).

Sumber: [75]

Gambar 2.9. Accuracy Nilai accuracy dapat diperoleh dengan persamaan [75]:

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃 + 𝑇𝑁 𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁

Precision (Positive Predictive Value)

Precision menggambarkan tingkat keakuratan antara data yang diminta dengan hasil prediksi yang diberikan oleh model. Maka, precision merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan hasil yang diprediksi positf. Dari semua kelas positif yang telah di prediksi dengan benar, berapa banyak data yang benar-benar positif.

Sumber: [75]

Gambar 2.10. Precision Nilai precision dapat diperoleh dengan persamaan [75]:

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑃

Recall atau Sensitivity (True Positive Rate)

Recall menggambarkan keberhasilan model dalam menemukan kembali sebuah informasi. Maka, recall merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan data yang benar positif.

Sumber: [75]

Gambar 2.11. Recall

Nilai recall dapat diperoleh dengan persamaan [75]:

𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 Keterangan:

TP = jumlah true positive TN = jumlah true negative FP = jumlah false positive FN = jumlah false negative

2.2. Tinjauan Studi

Terdapat beberapa penelitian mengenai penyakit pada daun padi yang sudah dilakukan serta penulis klasifikasi dengan berbagai metode, berikut susunannya:

1. Penelitian dengan metode Faster R-CNN [17]

Penelitian dilakukan oleh Bari, Bifta Sama dan kawan-kawan yang dipublikasi tahun 2021 dengan judul “A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework”. Dari penelitian ini menunjukkan bahwa metode Faster R-CNN dengan menggunakan 4 kelas (Rice Blast, Brown Spot, Hispa dan Healthy) yang diambil dari publik dan private dengan total dataset 16,800 citra dan learning-rate 0.0002 mampu mendeteksi penyakit pada daun padi dengan tingkat keakuratan yang sangat baik dengan keakuratan rata-rata 98.50% dengan kecepatan deteksi 2 detik percitra [76] dengan spesifikasi komputer untuk train model yaitu K40 @ 875 MHz, Intel Xeon CPU E5-2650 v2 @ 2.60GHz dan 8GB GPU memory [77].

2. Model Penelitian dengan GoogleNet [78]

Penelitian dilakukan oleh Sethy, P. K. dan kawan-kawan yang dipublikasi tahun 2020 dengan judul “Rice Diseases Recognition Using Effective Deep Learning Models Seksan Nitrogen Defciency Prediction of Rice Crop Based on Convolutional Neural Network”. Metode yang digunakan adalah transfer-learning yaitu GoogleNet dan membandingkannya dengan metode transfer-learning yang lain dan menggunakan 2 kelas (Healthy dan Unhealthy) yang diambil dari private dataset dengan total dataset 5790 citra dan mampu mengenali / recognition penyakit pada daun padi dengan tingkat keakuratan yang baik dengan keakuratan 99.40% untuk GoogleNet.

3. Model Penelitian dengan ResNet [79]

Penelitian dilakukan oleh Mathulaprangsan dan Patarapuwadol yang dipublikasi tahun 2020 dengan judul “Rice Diseases Recognition Using Effective Deep Learning Models Seksan”. Metode yang digunakan adalah transfer-learning yaitu ResNet dan membandingkannya dengan DensNet [80] dengan menggunakan 4 kelas (Blast, Brown Spot, Blight, Bacterial leaf streak) yang diambil dari private dataset dengan total dataset 12223 citra dan mampu mengenali / recognition penyakit pada daun padi dengan tingkat keakuratan yang baik dengan keakuratan rata-rata 91% untuk DensNet dan 95% untuk ResNet.

4. Model Penelitian dengan VGG16 [15]

Penelitian dilakukan oleh Ghosal, Shreya dan kawan-kawan yang dipublikasi tahun 2020 dengan judul “Rice Leaf Diseases Classification Using CNN with Transfer Learning”. Metode yang digunakan adalah transfer-learning yaitu VGG16 dan membandingkannya dengan CNN standar dengan menggunakan 3 kelas (Rice Blast, Brown Spot, Blight) yang diambil dari publik dan private dengan total dataset 1649 citra dan 25 epoch mampu mengenali / recognition penyakit pada daun padi dengan tingkat keakuratan yang baik dengan keakuratan rata-rata 92.46% untuk VGG16 dan 74% untuk CNN standar dengan spesifikasi komputer untuk train model yaitu Windows 10 PC dengan GPU card P4000, 64-bit Operating System.

5. Model Penelitian dengan SVM [8]

Penelitian dilakukan oleh D. Bandar dan B. Mayurathan yang dipublikasi tahun 2021 dengan judul “Detection and Classification of Rice Plant Diseases using Image Processing Techniques”. Dari penelitian ini menunjukkan bahwa metode SVM yang dikombinasikan dengan K-Nearest Neighbors dengan menggunakan 3 kelas (Rice Blast, Brown Spot, Blight) yang diambil dari private dengan total dataset 400 citra yang mana citra di resize terlebih dahulu kemudian dilakukan hapus background dan mengubah citra menjadi HSV color [81] mampu mengenali / recognition penyakit pada daun padi dengan tingkat keakuratan yang baik dengan keakuratan rata-rata 89.19%.

Tabel 2.1. Rangkuman Penelitian dengan Metode Berbeda

Penulis Judul Metode Hasil

Bari, Bifta Sama. dkk (2021) [17]

A real-time approach of diagnosing rice leaf

disease using deep learning-based faster

R-CNN framework

Faster R-CNN

Tingkat keakuratan yang sangat baik dengan keakuratan

rata-rata 98.50%

dari semua kelas (Blast, Brown Spot, Blight, Bacterial leaf

streak)

Sethy, P. K.

dkk (2020) [78]

Rice Diseases Recognition Using

Effective Deep Learning Models

Seksan Nitrogen Defciency Prediction of Rice Crop Based on

Convolutional Neural Network

GoogleNet

Tingkat keakuratan yang baik dengan keakuratan 99.40%

untuk 2 kelas (Healthy dan Unhealthy)

Mathulapra ngsan dan Patarapuwa dol (2020)

[82]

Rice Diseases Recognition Using

Effective Deep Learning Models

Seksan

ResNet

Tingkat keakuratan yang baik dengan keakuratan rata-rata 91% untuk DensNet

dan 95% untuk ResNet untuk 4 kelas (Blast, Brown

Spot, Blight, Bacterial leaf

streak) Ghosal,

Shreya. dkk (2020) [15]

Rice Leaf Diseases Classification Using

CNN with Transfer Learning

VGG16

tingkat keakuratan yang baik dengan keakuratan rata-rata

92.46% untuk VGG16 pada 3 kelas

(Rice Blast, Brown Spot, Blight) D. Bandar

dan B.

Mayurathan (2020) [8]

Detection and Classification of Rice Plant Diseases using

Image Processing Techniques

SVM

Tingkat keakuratan yang baik dengan keakuratan rata-rata

89.19% 3 kelas (Rice Blast, Brown

Spot, Blight)

Kemudian penulis juga melakukan studi terkait untuk penggunaan metode YOLO dengan dataset yang sejenis dengan dataset daun padi:

1. Deteksi Penyakit Daun Padi dengan YOLO Algoritma [32]

Penelitian dilakukan oleh Ma. Kristin Agbulos dan kawan-kawan yang dipublikasi tahun 2021 dengan judul “Identification of Leaf Blast and Brown Spot Diseases on Rice Leaf with YOLO Algorithm”. Dari penelitian ini menunjukkan bahwa metode YOLO dengan menggunakan 2 kelas (Blast, Brown Spot) yang diambil dari private dataset dengan total 200 citra dengan tingkat akurasi 90%

untuk Blast dan 70% untuk Brown Spot dengan rata-rata akurasi 75.33%.

2. Deteksi Penyakit Daun Paprika dengan Yolov5 [83]

Penelitian dilakukan oleh Midhun P. Mathew dan Therese Yamuna Mahesh yang dipublikasi tahun 2021 dengan judul “Leaf-based disease detection in bell pepper plant using YOLO v5”. Dari penelitian ini menunjukkan bahwa metode YOLOv5 yang mampu mendeteksi bercak kecil penyakit pada citra dengan kecepatan dan akurasi yang cukup besar hingga 82%.

3. Deteksi Penyakit Daun Berry dengan YOLOv4 [84]

Penelitian dilakukan oleh Monalika Padma Reddy dan Deeksha A yang dipublikasi tahun 2021 dengan judul “Mulberry leaf disease detection using YOLO”. Dari penelitian ini menunjukkan bahwa metode YOLOv4 mampu mendeteksi objek kecil penyakit pada daun berry dengan kecepatan dan akurasi yang cukup baik.

4. Deteksi Penyakit Daun Apel dengan YOLOv3 [85]

Penelitian dilakukan oleh Midhun P Mathew dan kawan-kawan yang dipublikasi tahun 2021 dengan judul “Determining the Region of Apple Leaf Affected by Disease Using YOLO V3”. Dari penelitian ini menunjukkan bahwa metode YOLOv3 mampu mendeteksi 3 kelas (Apple scab, Black rot, Cedar apple rust) dengan cukup baik.

5. Deteksi Penyakit Daun Apel dengan Yolov4 [86]

Penelitian dilakukan oleh Son, Chang Hwan yang dipublikasi tahun 2021 dengan judul “Leaf spot attention networks based on spot feature encoding for leaf disease identification and detection”. Dari penelitian ini menunjukkan bahwa

metode YOLOv4 yang di-improved mampu mendeteksi 2 kelas (Healthy dan Unhealthy) dengan cukup baik yaitu rata-rata sebesar 93%.

Tabel 2.2. Rangkuman Penelitian dengan Dataset Sejenis

Penulis Judul Metode Hasil

Ma. Kristin Agbulos (2021) [32]

Identification of Leaf Blast and Brown Spot Diseases on Rice Leaf with YOLO Algorithm

Yolov3

Menggunakan 2 kelas (Blast, Brown

Spot) yang diambil dari private dataset dengan total 200 citra dengan tingkat

akurasi 90% untuk Blast dan 70% untuk

Brown Spot dengan rata-rata akurasi

75.33%

Midhun P.

Mathew dan Therese

Yamuna Mahesh (2021) [83]

Leaf-based disease detection in bell pepper plant using

YOLO v5

Yolov5

YOLOv5 yang mampu mendeteksi

bercak kecil penyakit pada citra

dengan kecepatan dan akurasi yang cukup besar hingga

82%

Monalika Padma Reddy dan Deeksha A.

(2021) [84]

Mulberry leaf disease

detection using YOLO Yolov4

YOLOv4 mampu mendeteksi objek kecil penyakit pada

daun berry dengan kecepatan dan akurasi yang cukup

baik Midhun P.

Mathew.

dkk (2021)

Determining the Region of Apple Leaf

Affected by Disease Using YOLO V3

Yolov3

YOLOv3 mampu mendeteksi 3 kelas (Apple scab, Black rot, Cedar apple rust) dengan cukup

baik.

Son, Chang Hwan (2021) [86]

Leaf spot attention networks based on spot feature encoding

for leaf disease identification and

detection

Yolov4

YOLOv4 yang di- improved mampu mendeteksi 2 kelas

(Healthy dan Unhealthy) dengan

cukup baik yaitu rata-rata sebesar

93%.

2.3. Objek Penelitian

Kerusakan akibat penyakit padi dapat sangat berdampak pada penurunan hasil panen. Mereka terutama disebabkan oleh bakteri, virus, atau jamur. Di Indonesia, penyakit penting tanaman padi ialah hawar daun bakteri (Xanthomonas campestris pv. oryzae), penyakit hispa dan masih banyak lainnya. Kehilangan hasil padi akibat gangguan hawar daun bakteri berkisar antara 15-24% [87].

Perubahan iklim global yang berdampak terhadap anomali iklim mendorong perkembangan hama dan penyakit yang mengancam keselamatan produksi padi.

Akibatnya, keuntungan usaha tani menurun karena harus dikurangi dengan biaya pengendalian hama penyakit yang semakin tinggi dan kualitas produksi pun menurun sehingga kalah bersaing di pasar. Keberhasilan pengendalian hama dan penyakit tanaman padi berperan penting menyangga stabilitas produksi [10].

Penulis mencoba membuat diagnosa penyakit padi dengan beberapa kelas dengan penyakit tanaman padi dan hama yang perlu diwaspadai. Penyebab mengapa deteksi dengan daun karena gejala penyakit pada padi lebih mudah dikenali melalui daun padi dibanding dengan bagian padi lainnya seperti malai, batang, dan akar [7]. Dalam penelitian ini penulis hanya akan mendeteksi 4 jenis penyakit daun padi yang diambil dari 2 dataset publik.

1. Blight (Hawar Daun)

Gambar 2.12. Blight Disease

Terjadi pada tanaman muda (umumnya muncul pada 1 - 6 minggu setelah tanam) disebabkan bakteri Xanthomonas oryzae, yang dimana serangan oleh bakteri ini dapat mengakibatkan kerusakan tanaman dan juga dapat menurunkan hasil produksi tanaman padi. Bahkan, dalam serangan berat dapat mengakibatkan terjadinya gagl panen. Gejala awal terdapat pada tepi daun atau bagian daun yang

luka berupa garis bercak kebasahan. Bercak selanjutnya meluas berwarna hijau keabuan, seluruh daun menjadi keriput dan akhirnya layu seperti tersiram air panas.

Gejala kresek merupakan gejala yang paling merusak dari penyakit hawar daun bakteri dan pada pada tanaman dewasa Gejala awal berupa bercak kebasahan pada satu atau kedua sisi daun beberapa cm dari ujung daun. Bercak meluas berwarna hijau keabuan, kebasahan, daun menggulung, mengering dengan warna abu-abu keputihan. Luka nampak pertama kali seperti garis-garis yang mengandung air pada batas daun.

2. Blast

Gambar 2.13. Blast Disease

Blast, biasanya juga sering disebut busuk leher, patah leher, sebab utama Jamur P. grisea dapat menginfeksi pada semua fase pertumbuhan tanaman padi mulai dari persemaian sampai menjelang panen. Pada fase bibit dan pertumbuhan vegetatif tanaman padi, P. grisea menginfeksi bagian daun dan menimbulkan gejala penyakit yang berupa bercak coklat berbentuk belah ketupat yang disebut blas daun. Pada fase pertumbuhan generatif tanaman padi, gejala penyakit blas berkembang pada tangkai/leher malai disebut blas leher. Perkembangan parah penyakit blas leher infeksinya dapat mencapai bagian gabah dan patogennya dapat terbawa gabah sebagai patogen tular benih (seed borne).

3. Brownspot

Gambar 2.14. Brownspot Disease

Brown Spot (brown leaf spot), Gejala khas penyakit ini adalah adanya bercak coklat pada daun berbentuk oval yang merata di permukaan daun dengan titik tengah berwarna abu-abu atau putih. Titik abu-abu di tengah bercak merupakan gejala khas penyakit bercak daun coklat di lapang. Faktor utama yang berpengaruh terhadap infeksi adalah faktor inang yang cocok untuk inisiasi terjadinya bercak coklat. Kondisi mendung, hujan, adanya embun, dan suhu 20-29°C untuk beberapa hari dapat menyebabkan terjadinya penyakit yang parah.

4. Hispa

Gambar 2.15. Hispa Disease

Hispa, biasa disebabkan kumbang dewasa makan di bagian luar epidermis atas, menyebabkan pola garis-garis putih dan paralel di sepanjang sumbu utama daun.

Dalam kasus serangan yang parah, bahkan pembuluh daun dapat terpengaruh, menyebabkan munculnya bercak putih besar. Serangga dewasa sering muncul pada daun yang rusak, umumnya di sisi atas. Larva memakan jaringan hijau di antara dua epidermis daun, membuat terowongan di sepanjang pembuluh daun dan menyebabkan bercak putih.

Serangga dapat dideteksi dengan menghadapkan daun yang rusak pada cahaya atau dengan melewatkan jari-jari sepanjang terowongan. Daun yang terserang mengering, dan menghadirkan tampilan putih di lahan. Dari kejauhan, lahan yang rusak parah terlihat seperti terbakar oleh serangga dewasa dan larva hispa padi, Dicladispa armigera. Serangga dewasa mengikis permukaan atas helai daun dan hanya menyisakan epidermis bawah. Telur diletakkan di dalam celah kecil pada daun yang lembut, umumnya ke arah ujung. Ulatnya berwarna kuning keputihan dan datar. Ulat ini makan di dalam jaringan daun dengan menggali sepanjang sumbu daun, dan kemudian menjadi kepompong.

Serangga dewasa berbentuk agak persegi, panjang dan lebarnya sekitar 3-5 mm. Warnanya biru tua atau kehitaman dengan duri di seluruh tubuh. Rerumputan gulma, pemupukan yang banyak, hujan lebat dan kelembapan relatif tinggi mendukung serangan hispa padi.

Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri

BAB III

METODE PENELITIAN

Pembahasan dalam bab ini menjelaskan mengenai metode dan langkah-langkah yang akan dilakukan. Metode yang digunakan dalam penelitian ini menggunakan metode penelitian eksperimen. Metode experimen ini terdiri dari beberapa tahapan diantaranya alur kerja penelitian, pengolahan citra, pengusulan model, perangkat penelitian.

3.1. Tahapan Penelitian

Dibawah ini menjelaskan prosedur penelitian dimulai dari asal dataset yang kemudian dianotasi agar sesuai dengan klasifikasi yang kemudian dilakukan pra- pemrosesan (preprocessing) setelah itu dibagi 70% untuk training, 20% untuk validasi, dan 10% untuk testing. Kemudian digunakan model arsitektur Yolo dari pelatihan dan validasi kemudian dilakukan pengujian data dengan pengujian data dan pendeteksian penyakit. Setelah itu dilakukan evaluasi kinerja terhadap model arsitektur yang digunakan.

Gambar 3.1. Alur Kerja Penelitian

Berdasarkan alur kerja pada gambar diatas terdapat sumber dataset dan pengolahan citra terlebih dahulu sebelum citra diimplementasikan kepada algoritma model.

3.2. Dataset

Dataset yang digunakan merupakan dataset publik agar penelitian berikutnya dapat memvalidasi data dan model yang diusulkan serta pemilihan jenis penyakit merupakan jenis-jenis yang sering muncul di Indonesia [87].

3.3. Preprocessing pada Citra

Pada tahap ini ada beberapa langkah yang perlu dilakukan, yaitu:

a. Anotasi Citra

Setelah melakukan pengumpulan data, maka data yang didapat dilakukan pelabelan data citra sesuai dengan kelasnya. Pelabelan dilakukan karena YOLO merupakan jenis algoritma supervise learning atau memerlukan label dalam proses pembelajaran, sehingga proses training dapat berjalan dengan baik. Dalam pelabelan digunakan tool yaitu LabelImg [88] yang merupakan salah satu library pada Python. Dan hasilnya akan berupa file ber-extensi XML file dengan memuat informasi dari citra untuk proses selanjutnya, yaitu proses training [58]. Pelabelan dilakukan pada setiap dataset yang diperoleh dan pada satu dataset atau citra terdapat satu pula label dan pada satu citra bisa terdapat objek kelas lebih dari satu.

b. Pra-pemprosesan Data

Merupakan tahapan sebelum eksekusi model algoritma, diperlukan untuk mempercepat komputasi dan penambahan data sehingga lebih banyak dataset yang digunakan untuk pelatihan [37], [89].

3.4. Pembagian Dataset

Pembagian dataset: 70% data training, 20% data validation dan 10% data testing akan digunakan untuk pengujian dan evaluasi model.

3.5. Usulan Model

Saat ini, algoritma pengenalan objek utama adalah seri R-CNN [90] dan seri YOLO [18]. Seri R-CNN memiliki keunggulan dalam pendeteksian target dengan persyaratan akurasi yang lebih tinggi, namun kecepatan pendeteksiannya lebih rendah dibandingkan dengan seri YOLO [76]. Dalam skenario aktual, kinerja deteksi target real-time tidak dapat dipenuhi. Dalam konteks ini, rangkaian

algoritma YOLO menggunakan ide regresi, yang membuatnya lebih mudah untuk mempelajari karakteristik umum dari target dan memecahkan masalah kecepatan.

Rangkaian algoritma YOLO menggunakan jaringan syaraf tingkat pertama untuk secara langsung menemukan dan mengklasifikasikan objek yang terdeteksi [66].

YOLO memperlakukan deteksi gambar sebagai masalah regresi dengan jalur pipa yang sederhana dan kecepatan yang cepat. Dapat memproses video streaming secara real-time dengan delay kurang dari 25 detik [91]. Selama proses pelatihan, YOLO dapat melihat seluruh gambar dan lebih memperhatikan informasi global dalam deteksi target. Ide inti dari YOLO adalah menggunakan seluruh gambar sebagai input jaringan, dan langsung kembali ke posisi kotak pembatas dan kategori di mana kotak pembatas berada pada output. Di YOLO, setiap kotak pembatas diprediksi oleh karakteristik seluruh gambar, dan setiap kotak pembatas berisi lima prediksi dan keyakinan, yang relatif terhadap unit kisi di tengah kotak pembatas batas.

Bingkai dasar YOLO adalah sebagai berikut: w dan h adalah prediksi lebar dan tinggi seluruh gambar (relatif terhadap keseluruhan gambar). YOLO terutama terdiri dari tiga komponen utama:

• Backbone: Jaringan saraf convolutional yang menggabungkan dan membentuk fitur gambar pada berbagai jenis perincian gambar;

• Neck: Serangkaian lapisan jaringan yang mencampur dan menggabungkan fitur gambar dan meneruskan fitur gambar ke lapisan prediksi;

• Head: Dapat memprediksi fitur gambar, menghasilkan kotak pembatas, dan memprediksi kategori. Keyakinan menunjukkan keakuratan klasifikasi di bawah kondisi tertentu.

YOLOv2 [64] menggunakan algoritma pelatihan baru. YOLOv2 menggunakan metode pengelompokan k-means untuk mengelompokkan kotak pembatas di set pelatihan. Sebagai tujuan utama dari pengaturan, kotak apriori adalah untuk membuat IOU antara kotak prediksi dan ground truth menjadi lebih baik, dan nilai IOU antara kotak dan kotak tengah cluster digunakan sebagai indikator jarak dalam analisis cluster. YOLOv2 yang meningkatkan akurasi dan tingkat recall secara signifikan kemudian dikembangan menjadi YOLOv3 [65]