Implementasi Metode Convolutional Neural Network Untuk Identifikasi Citra Digital Daun
Asmaul Husnah Nasrullah*, Haditsah Annur
Ilmu Komputer, Teknik Informatika, Universitas Ichsan Gorontalo, Gorontalo, Indonesia Email: 1,*asmaulhusnel@gmail.com, 2haditsah@gmail.com
Email Penulis Korespondensi: asmaulhusnel@gmail.com
Abstrak -Convolutional Neural Network (CNN) merupakan salah satu algoritma Deep Learning yang banyak digunakan untuk mengidentifikasi sekaligus melakukan klasifikasi sebuah objek citra digital. Pada penelitian ini Convolutional Neural Network (CNN) digunakan sebagai algoritma yang berfungsi untuk mengidentifikasi jenis daun (tanaman tertentu) berdasarkan citra yang diperoleh dari sumber penyedia dataset yang bersifat publik dengan nama Indonesian Herb Leaf. Adanya kesamaan karakteristik citra daun mengakibatkan proses identifikasi membutuhkan proses seleksi fitur yang lebih rinci. Oleh karena itu metode CNN digunakan agar dapat menyelesaikan masalah tersebut. Metode Convolutional Neural Network (CNN) mampu melakukan pengenalan gambar dengan meminimalkan fitur ekstraksi. CNN juga handal dalam mengolah data tidak terstruktur sebab menggunakan susunan jaringan nalar buatan yang berlapis-lapis. Proses pengenalan citra dilakukan dengan mencari bentuk model yang sesuai dengan data yang diolah agar mendapatkan hasil akurasi yang terbaik. Pada penelitian ini dilakukan proses augmentasi pada data training dan data validasi sehingga tidak terjadi overfitting pada jaringan Convolutional Neural Network (CNN). Hasil yang diperoleh pada penelitian ini menunjukkan bahwa metode Convolutional Neural Network (CNN) dapat mengidentifikasi jenis daun dengan tingkat akurasi sebesar 92% diukur menggunakan metode evaluasi Confusion Matrix.
Penelitian ini diharapkan dapat dijadikan sebagai referensi untuk penggunaan metode Convolutional Neural Network (CNN) terhadap data gambar khususnya jenis daun tanaman.
Kata Kunci: Mesin Learning; Deep Learning; ANN; CNN; Identifikasi; Fitur Seleksi; Citra Daun; Confusion Matrix Abstract-Convolutional Neural Network (CNN) is a deep learning algorithm that is widely used to identify and classify a digital image object. In this study the Convolutional Neural Network (CNN) is used as an algorithm that functions to identify leaf types (certain plants) based on images obtained from a public dataset provider named Daun Jamu Indonesia. The existence of image characteristics causes the assistance process to require a more detailed feature selection process. Therefore the CNN method is used in order to solve the problem. The Convolutional Neural Network (CNN) method is capable of performing image recognition by minimizing feature extraction. CNN is also reliable in processing unstructured data because it uses a multi-layered structure of artificial reasoning networks. The image recognition process is carried out by looking for the shape of the model that matches the processed data in order to get the best results. In this study, the augmentation process was carried out on the training data and validation data so that overfitting does not occur in the Convolutional Neural Network (CNN). The results obtained in this study indicate that the Convolutional Neural Network (CNN) method can identify leaf types with a measured accuracy rate of 92% using the Confusion Matrix evaluation method. It is hoped that this research can be used as a reference for the use of the Convolutional Neural Network (CNN) method for image data, especially plant leaf types.
Keywords: Machine Learning; Deep Learning; ANN; CNN; Identification; Selection Features; Leaf Image; Confusion Matrix
1. PENDAHULUAN
Beberapa tahun terakhir, kecerdasan buatan berkembang sangat pesat. Masalah-masalah yang sebelumnya sangat sulit dipecahkan manusia dapat diselesaikan dengan mudah melalui kecerdasan buatan. Namun kecerdasan buatan masih memiliki kelemahan dalam menerapkan beberapa intuisi dalam pengetahuannya sehingga untuk menyelesaikan masalah tersebut digunakanlah konsep Deep Learning [1] . Deep Learning merupakan sebuah konsep yang dapat digunakan untuk memaksimalkan kinerja dari kecerdasan buatan itu sendiri, berikut contoh model pengembangan Deep Learning [2].
Gambar 1. Model Deep Learning
Deep Learning dapat merepresentasikan sebuah gambar sederhana kedalam sebuah konsep yang lebih kompleks. Deep Learning secara otomatis melakukan representasi dari data yang diolah tanpa memperkenalkan
aturan kode atau pengetahuan domain manusia [2]. Oleh karena itu model Deep Learning dapat mempercepat dan mempermudah tugas deteksi objek, pengenalan suara, terjemahan Bahasa dan pekerjaan yang melibatkan kecerdasan buatan lainnya[2]. Salah satu metode Deep Learning yaitu Convolutional Neural Network (CNN), metode ini merupakan turunan dari metode Artificial Neural Network (ANN). CNN dan ANN pada umumnya memiliki arsitektur dan model yang sama [3]. Namun terdapat perbedaan yang cukup mencolok antara keduanya yaitu pada metode ANN setiap node dalam jaringan terpisah sengankan CNN node-node tersebut saling terhubung [4]. Hal tersebut mengakibatkan metode CNN lebih hemat daya dalam komputasi jika dibandingkan dengan ANN,.
Perbedaan tersebut menjadikan metode CNN lebih baik dalam memindai bagian terkecil dari gambar [5].
Pengenalan citra menggunakan Metode ANN sudah populer digunakan untuk analisa dan pengenalan citra.
Namun metode CNN masih belum banyak digunakan untuk pengenalan citra [6]. Sedangkan berdasarkan teori Algoritma CNN dikatakan telah lebih canggih jika dibandingkan dengan ANN, sebab setiap algoritma ANN node- nya terpisah satu sama lain sedangkan algoritma CNN node-node yang ada saling terhubung [7]. Oleh karena itu perlu dilakukan penelitian untuk mengetahui apakah perbedaan CNN yang dianggap lebih baik dari ANN betul dapat menghasilkan pengenalan citra yang lebih baik jika diuji menggunakan dataset yang telah dipilih [8]. Metode CNN pernah digunakan untuk Autentikasi citra daun oleh Haryono,dkk. Namun data yang digunakan khusus untuk tanaman herbal. Oleh karena itu pada penelitian ini digunakan Dataset yang diambil dari Respository Mendeley Data. Indonesian Herb Leaf Dataset terdiri dari 3500 citra daun tanaman yang terdiri dari 10 jenis tanaman. Yaitu Belimbing wuluh, jambu biji, jeruk nipis, kemangi, lidah buaya, nangka, pandan, pepaya, seledri dan sirih. Setiap jenis tanaman terdiri dari 350 gambar dengan resolusi tinggi (1600 x 1200 pixel) [9]. Dengan harapan penggunaan dataset yang bersifat publik dapat memudahkan penelitian berikutnya dalam menguji metode atau algoritma lain menggukan data yang sama. Bagian daun pada tanaman dipilih menjadi objek penelitian sebab daun memiliki karakteristik yang hampir sama antar jenis tanaman [10]. Penelitian ini diharapkan mampu memberikan hasil berupa pengenalan jenis daun yang sesuai berdasarkan citra yang diolah menggunakan metode Convolutional Neural Network. Jenis citra yang akan diolah pada penelitian ini merupakan bagian daun pada tanaman.
2. METODOLOGI PENELITIAN
2.1 Objek Penelitian
Daun merupakan objek yang akan diteliti pada penelitian ini. Gambar daun tanaman yang dijadikan sebagai dataset yang akan diolah pada penelitian ini merupakan dataset yang diperoleh dari respository Mendeley dengan nama Indonesian Herb Leaf, dalam dataset ini terdapat gambar daun tanaman yang tumbuh di daerah tropis, khusunya daun tanaman yang tumbuh di Indonesia. Terdapat sepuluh (10) kelompok jenis tanaman (spesies) yang disediakan dataset ini. Yaitu belimbing wuluh, jambu biji, jeruk nipis, kemangi, lidah buaya, nangka, pandan, pepaya, seledri dan sirih [9]. Setiap daun yang dipetik berasal dari tanaman berbeda dari spesies yang sama yang tersedia di kebun setempat atau dibeli di pasar. Daun yang dipilih adalah daun yang sehat dan matang yang diseleksi untuk dimasukkan dalam dataset. Alat yang digunakan untuk memotret daun ini adalah kamera handphone (Model:
Xiaomi Redmi Note 7, iPhone 6s, OPPO A7, Samsung A51) dan kamera DSLR (Model: Canon EOS 650D) [9].
2.2 Analisa dan Pengolahan Data
Analisa sistem dan pengolahan data yang akan dilakukan dalam penelitian disajikan dalam bentuk bagan seperti berikut :
Gambar 2. Model Analisa dan Pengolahan Data
Rancangan jaringan CNN diaplikasikan dengan data training, agar komputer dapat belajar mengenali citra.
Data training digunakan untuk melakukan proses pembelajaran jaringan, kemudian dievaluasi. Apabila akurasi pada proses training model jaringan belum baik maka dilakukan modifikasi pada lapisan CNN, parameter jaringan dan pada sampel datanya [11]. Namun Apabila pembelajaran jaringan diperoleh hasil yang baik dalam membedakan jenis tanaman, maka jaringan tersebut kemudian dilakukan uji coba terhadap data validasi. Data validasi adalah data yang tidak digunakan pada proses training. Apabila data validasi juga menunjukkan hasil yang baik maka jaringan dapat digunakan untuk klasifikasi pada data testing. Dimana Data testing ini berisi sekumpulan sampel data yang ingin diketahui jenis klasifikasinya [12].
Arsitektur jaringan yang digunakan pada penelitian ini menggunakan struktur dari Alexnet. Alexnet yang merupakan basis dari arsitektur CNN modern yang cukup sukses untuk visual recognition [13]. Untuk mengatasi kekurangan pada proses training data citra resolusi tinggi, perlu pengaturan pada beberapa lapisan dan mengekplorasi parameter untuk training data agar model CNN dapat menampilkan performa yang baik dan mencegah gradien menjadi tidak stabil, khususnya pada jaringan yang dalam[14].
Pada lapisan input, data yang digunakan adalah data training. Kemudian data input diproses pada lapisan konvolusi pertama dengan menggunakan max pooling dan fungsi aktivasi ReLU. Output pada lapisan konvolusi pertama dijadikan sebagai input pada proses konvolusi kedua. Proses konvolusi tersebut berlanjut sampai dengan konvolusi kelima. Kemudian hasil dari proses konvolusi dikumpulkan pada lapisan fully connected. Pada lapisan ini ditentukan fitur yang memiliki korelasi dengan kelas tertentu sehingga hasil akhir dari proses ini adalah fitur yang terklasifikasi dalam lima kelas[15].
2.3 Pra Pengolahan Data
Pra-Pengolahan citra (image pre-processing), yaitu proses paling awal dalam pengolahan citra sebelum proses utama dilakukan. Pra-pengolahan bertujuan untuk mempermudah proses dalam melakukan klasifikasi citra[16].
Proses perubahan ukuran citra asli dilakukan dari ukuran 1600x1200 piksel menjadi 224x224 piksel lebih kecil dari skala citra asli. Kemudian data ditransformasikan atau encoding data untuk mengubah data citra menjadi code yang dapat dimengerti oleh sistem. Berikut adalah tahapan Pra-pengolahan[17] :
1. Risize
Resize merupakan tahapan awal dari pre-processing,Bertujuan untuk mengubah ukuran citra asli dari ukuran 1600x1200 piksel menjadi 224x224 piksel lebih kecil dari skala citra asli agar dapat mempercepat proses latih.
2. Encoding Data (Label Encoder)
Pada proses ini akan dilakukan transformasi label kata menjadi bentuk numerik. Agar dapat diolah oleh sistem.
3. Augumentasi Data
Augumentasi yaitu suatu teknik manipulasi pada data yang ada tanpa kehilangan inti dari data tersebut. Pada penelitian ini dilakukan teknik augumentasi terhadap data training dengan mengatur rescale 1./225, rotation range 40, horizontal flip, width shift range 0.2, height range 0.2, shear range 0.2, zoom range 0.2. beberapa cara tersebut membantu model yang akan disusun serta mempermudah untuk melatih model tersebut[15].
2.3 Model Identifikasi Convolutional Neural Network
Convolutional Neural Network adalah suatu jenis neural network yang difungsikan untuk mengolah data citra[12].
1. Proses Training Data
Data training berupa data yang telah diseimbangkan jumlahnya untuk di olah menggunakan algoritma Convolutional Neural Network (CNN). Jumlah data training yang digunakan 80%. Data training ini berupa hasil undersampling data.
2. Proses Testing Data
Data testing merupakan data yang telah diseimbangkan jumlahnya yang digunakan untuk menguji data training. Jumlah data yang digunakan 20%. Data testing digunakan untuk mengetahui berapa tingkat keberhasilan untuk melakukan identifikasi jenis daun berdasarkan citra yang diolah.
2.4 Evaluasi Model
Proses evaluasi bertujuan untuk mengetahui hasil kinerja dari metode yang digunakan. evaluasi dilakukan pada semua data uji dan target keluaran yang dihasilkan dipetakan ke Confusion Matriks untuk mengevaluasi keakuratannya[18]. Confusion matrix merupakan suatu metode yang digunakan untuk mengukur perfoma dari suatu model pembagian terstruktur mengenai memakai mencari nilai precision, recall dan nilai akurasi dari suatu model, dengan rumus sebagai berikut :
Gambar 3. Model Analisa dan Pengolahan Data[19]
3. HASIL DAN PEMBAHASAN
3.1 Hasil Pengumpulan Data
Indonesian Herb Leaf Dataset (IHLD) terdiri dari 3.500 gambar daun tanaman dengan 10 spesies berbeda. Format gambar JPG yang dikumpulkan memiliki resolusi tinggi dengan dimensi 1600 x 1200 pixels. Dari 3.500 gambar dipilih masing-masing 500 gambar yang mewakili sepuluh (10) jenis tanaman (spesies) yaitu Nangka, Jambu Biji, Sirih, Jeruk Nipis, Belimbing Wuluh, Kemangi, Seledri, Pepaya, Pandan dan Lidah Buaya [9]. Berikut contoh ke 10 spesis jenis daun tanaman yang akan di identifikasi menggunakan Convolutional Neural Network.
Gambar 4. Contoh Citra Indonesian Herb Leaf [9]
3.1 Pembahasan
3.2.1 Pengolahan Data
Pra-Pengolahan citra (image pre-processing), yaitu proses paling awal dalam pengolahan citra sebelum proses utama dilakukan. Pra-pengolahan bertujuan untuk mempermudah proses dalam melakukan klasifikasi citra. Proses perubahan ukuran citra asli dilakukan dari ukuran 1600x1200 piksel menjadi 224x224 piksel lebih kecil dari skala citra asli. Kemudian data ditransformasikan atau encoding data untuk mengubah data citra menjadi kode yang dapat dimengerti oleh sistem. Berikut adalah tahapan Pra-pengolahan :
1. Resize
Resize merupakan tahapan awal dari pre-processing, bertujuan untuk mengubah ukuran citra asli [20] dari ukuran 1600x1200 piksel menjadi 224x224 piksel lebih kecil dari skala citra asli agar dapat mempercepat proses latih.
Gambar 5. Resize citra asli dari 1600 x1200 piksel menjadi 224 x 224 piksel 2. Encoding Data (Label Encoder)
Pada proses ini akan dilakukan transformasi label kata menjadi bentuk numerik [20]. Agar dapat diolah oleh sistem.
Tabel 1. Label Encoder
Jenis Daun Label
Belimbing Wuluh > 0
Jambu biji > 1
Jeruk Nipis > 2
Kemangi > 3
Lidah Buaya > 4
Nangka > 5
Pandan > 6
Pepaya > 7
Seledri > 8
Sirih > 9
3. Augumentasi Data
Augumentasi yaitu suatu teknik manipulasi pada data yang ada tanpa kehilangan inti dari data tersebut [4].
Pada penelitian ini dilakukan teknik augumentasi terhadap data training dengan mengatur rescale 1./225, rotation range 40, horizontal flip, width shift range 0.2, height range 0.2, shear range 0.2, zoom range 0.2.
beberapa cara tersebut membantu model yang akan disusun serta mempermudah untuk melatih model tersebut.
4. Training
Tahapan training merupakan tahapan dimana training dataset dan validation dataset akan dipelajari oleh sistem menggunakan Convolutional Neural Network.
3.2.2 Hasil Identifikasi
Pada tahap ini training dataset dan validation dataset akan dilatih menggunakan algoritma Convolutional Neural Network agar sistem dapat mengenali jenis obat herbal yang sudah diberikan dan dapat digunakan untuk pengujian nantinya. Berikut tahan implementasi model CNN yang peneliti buat:
Citra masuk
kan
Conv Batch Conv
Norm Max Poolin
g ReLu
Identi ty Blok Conv Blok
Identi ty Blok Conv Blok
Identi ty Blok Conv Blok
Identi ty Blok Conv Blok
Avera ge Poolin
g
Flatte n
Fully Conne cted
Dense Sigmo
id Output
Stage 1 Stage 2 Stage 3 Stage 4 Stage 5
Gambar 6. Arsitektur Model CNN untuk identifikasi jenis tumbuhan [1]
1) Convolutional Layer
Pada layer ini, perhitungan dilakukan antara dua matriks. Satu matriks adalah parameter atau karnel yang dipelajari, dan matriks lainnya adalah piksel citra.
Gambar 7. Operasi Konvolusi
Ukuran piksel dari citra masukan adalah 224 x 224, kemudian dikonversi kedalam matrx 5x5 sebagai sampel.
Dalam proses ini tidak digunakan padding tambahan atau biasa disebut zero padding, namun digunakan stride 1. Untuk mengetahui jumlah output yang ingin dicapai, dilakukan perhitungan sebagai berikut :
𝑤 = 5 𝑥 5 𝒑 = 𝟎
Gambar 8. Proses Pergeseran dengan Stride = 1 dan Kernel 3 x 3
Gambar 9. Proses Konvolusi pada Pergeseran Pertama 224 x 224
Input Image
5 x 5 Matriks Citra
5 x 5 Matriks Citra Kernel 3 x 3
Gambar 10. Proses Konvolusi pada Pergeseran Terakhir 3.2.3 Hasil Pengujian
Adapun perhitungan yang dilakukan untuk mendapatkan hasil pada Gambar 9 dan Gambar 10 adalah sebagai berikut :
Posisi 1: (5x1) + (6x4) + (3x2) + (2x2) + (8x1) + (5x0) + (1x1) + (4x3) + (4x6) = 84 Posisi 2: (6x1) + (3x4) + (6x2) + (8x2) + (5x1) + (5x0) + (4x1) + (4x3) + (3x6) = 85 Posisi 3: (3x1) + (6x4) + (9x2) + (5x2) + (5x1) + (6x0) + (4x1) + (3x3) + (2x6) = 85 Posisi 4: (2x1) + (8x4) + (5x2) + (1x2) + (4x1) + (4x0) + (5x1) + (2x3) + (8x6) = 109 Posisi 5: (8x1) + (5x4) + (5x2) + (4x2) + (4x1) + (3x0) + (2x1) + (8x3) + (3x6) = 94 Posisi 6: (5x1) + (5x4) + (6x2) + (4x2) + (3x1) + (2x0) + (8x1) + (3x3) + (6x6) = 101 Posisi 7: (1x1) + (4x4) + (4x2) + (5x2) + (2x1) + (8x0) + (6x1) + (3x3) + (9x6) = 106 Posisi 8: (4x1) + (4x4) + (3x2) + (2x2) + (8x1) + (3x0) + (3x1) + (9x3) + (6x6) = 104 Posisi 9: (4x1) + (3x4) + (2x2) + (8x2) + (3x1) + (6x0) + (9x1) + (6x3) + (4x6) = 90 2) Pooling Layer
Hasil akhir pada lapisan konvolusi akan digunakan kembali pada proses pooling sebagai input, seperti terlihat pada Tabel 2
Tabel 2. Hasil Akhir Konvolusi sebagai Input pada Pooling
84 85 85
109 94 101
106 104 90
Pada lapisan ini, penulis menggunakan stride 1 dengan kernel 2x2 dan juga menggunakan metode MaxPooling. Oleh karena itu kita dapat menggunakan rumus [21] dibawah ini untuk mengetahui ukuran output yang akan diperoleh. Diketahui bahawa:
W = 3x3, F = 2x2, S =1
Sebagai perhitungannya adalah sebagai berikut : 𝑂𝑢𝑡𝑝𝑢𝑡 =3−2
1 + 1 = 2 (1)
Dari perhitungan diatas kita mengetahui bahwa kita akan memperoleh output sebesar 2x2. Adapun yang akan dilakukan dapat dilihat
Gambar 11. Proses Pooling Menggunakan MaxPooling
MaxPooling memiliki efek mendapatkan nilai terbesar dari karnel 2x2, setelah berhasil mengambil nilai itu, bergerak dengan stride 1 dan kemudian disimpan dalam matrix baru.
Tabel 3. Hasil Akhir pada MaxPooling 109 101
109 104 3) Flatten Layer
Hasil akhir dari pooling akan dibuat menjadi 1 vektor, dimana hasil dari flattening kemudian akan digunakan sebagai input untuk lapisan yang terhubung atau fully connected layer [12].
Gambar 12. Hasil Dari Flatten Layer 4) Fully Connected Layer
Fully connected layer disini berperan sebagai pengklasifikasi data input. Pada proses training inisangat membantu untuk menemukan nilai bobot terbaik
Gambar 23. Fully Connected Layer 1. Inisialisasi semua bobot
Bobot awal atau w = 0, untuk semua inputan
2. Fungsi aktivasi yang digunakan pada penelitian ini adalah 𝝈 = 𝑺𝒊𝒈𝒎𝒐𝒊𝒅 3. Laju pembelajaran atau Learning Rate
Pada penelitian ini ditemukan nilai learning rate = 0.0001
109 101
109 104
109
101
109
104
4. Menghitung persamaan nilai output [22] : 𝑓(𝑥) = ∑𝑛 𝑥1𝑤1+ 𝑥2𝑤2
𝑥=𝑖 + ⋯ + 𝑥𝑛𝑤𝑛 (2)
𝜎(𝑎) = 1
1+𝑒−2 (3)
𝑓(𝑥) = ∑4𝑥=𝑖𝑥1𝑤11+ 𝑥2𝑤21+ 𝑥3𝑤31+ 𝑥4𝑤41 (4)
𝑓(𝑥) = ∑4𝑥=𝑖109.0 + 101.0 + 109.0 + 104.0= 0 (5)
𝑓(𝑥) = ∑4𝑥=𝑖109.0 + 101.0 + 109.0 + 104.0= 0 (6)
𝑓(𝑥) = ∑4𝑥=𝑖109.0 + 101.0 + 109.0 + 104.0= 0 (7)
𝑓(𝑥) = ∑4𝑥=𝑖109.0 + 101.0 + 109.0 + 104.0= 0 (8)
Sigmoid : 𝜎(𝑎) = 1
1+𝑒−𝑎= 1
1+2.71828−0= 2 (9)
Nilai sama dengan nilai ouput lainnya dikarenakan menggunakan nilai w = 0 5. Hitung gradien error untuk layer output [22]
𝑒𝑘(𝑝) = 𝑦𝑑𝑘(𝑝) − 𝑦𝑘(𝑝) (10)
𝛿𝑘(𝑝) = 𝑦𝑑𝑘(𝑝) ∗ [1 − 𝑦𝑘(𝑝)] ∗ 𝑒𝑘(𝑝) (11)
Untuk data pertama, nilai yang diharapkan adalah 𝑦𝑑𝑘= 1, sedangkan keluaran yang didapatkan 𝑦𝑑𝑘 = 2 nilai neuron output semuanya sama karena nilai w = 0.
𝑒1(1) = 𝑦𝑑− 𝑦1(1) = 1 − 2 = −1
𝛿1(1) = 𝑦1(1) ∗ [1 − 𝑦1(1)] ∗ 𝑒1(1) = 2 ∗ [1 − 2] ∗ −1 = 2 6. Menghitung Koresi Bobot [22]
Untuk 𝛥𝑤11, 𝛥𝑤21, 𝑑𝑎𝑛 𝛥𝑤31 (12)
∆𝑤𝑗𝑘(𝑝) = 𝛼. 𝑦𝑗(𝑝) ∗ 𝛿𝑘(𝑝) (13)
𝛥𝑤21= 𝛼 ∗ 𝑦1(1) ∗ 𝛿1(1) = 0.0001 ∗ 109 ∗ 2 = 0.0654 𝛥𝑤22= 𝛼 ∗ 𝑦2(1) ∗ 𝛿1(1) = 0.0001 ∗ 101 ∗ 2 = 0.0606 𝛥𝑤23= 𝛼 ∗ 𝑦3(1) ∗ 𝛿1(1) = 0.0001 ∗ 109 ∗ 2 = 0.0654 𝛥𝑤24= 𝛼 ∗ 𝑦3(1) ∗ 𝛿1(1) = 0.0001 ∗ 104 ∗ 2 = 0.0624 7. Perbaharui bobot [22]
Dengan diperolehnya nilai pengkoresi bobot maka proses memperbaharui nilai bobot dengan menggunakan persamaan :
𝑤𝑗𝑘(𝑝 + 1) = 𝑤𝑗𝑘(𝑝) + 𝛥𝑤𝑗𝑘(𝑝) (14)
𝑤𝑗𝑘(𝑝 + 1) = 𝑤11(𝑝) + 𝛥𝑤11(𝑝) = 0 + 0.0654 = 0.0654 𝑤𝑗𝑘(𝑝 + 1) = 𝑤21(𝑝) + 𝛥𝑤21(𝑝) = 0 + 0.0606 = 0.0606
Setelah itu untuk interasi selanjutnya, kembali ke langkah 5 dan diulangi sampai mendapatkan hasil yang sesuai.
3.2.3 Evaluasi Model
Setelah membangun model identifikasi citra daun menggunakan algoritma Convolutional Neural Network.
Langkah selanjutnya adalah mengukur kinerja dari model yang telah dibuat. Dalam penelitian ini, confusion matrix digunakan sebagai metode untuk mengukur kinerja algoritma Convolutional Neural Network dalam melakukan identifikasi daun tanaman.
Confusion Matrix memberikan perbandingan hasil klasifikasi yang dilakukan oleh sistem (model) dengan hasil klasifikasi sebenarnya [21]. Hasil klasifikasi pengenalan jenis tumbuhan berdasarkan jumlah uji subjek benar dan salah yang terdeteksi dapat dilihat pada lampiran 1. Confusion Matrix berbentuk tabel matrix yang menggambarkan kinerja model klasifikasi pada serangkaian data uji yang nilais sebenarnya diketahui, hasil pengujian di Lampiran 2. Maka berdasarkan pengujian diperoleh hasil sebagai berikut :
Total data yang di uji = 400 gambar
Data yang diklasifikasikan dengan benar = 368
Data yang diklasifikasi salah = 32
Akurasi (Accuracy) model yang telah dibuat dihitung dengan membandingkan nilai aktual (sebenarnya) dengan nilai prediksi, menggunakan persamaan dibawah ini [1] :
𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 (15)
Berdasarkan rumus diatas, maka diperoleh nilai akurasi model identifikasi daun menggunakan Convolutional Neural Network sebesar 92%.
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 38 + 36 + 38 + 34 + 39 + 33 + 36 + 38 + 39 + 37
400 = 0.92 = 92%
Selanjutnya menghitung nilai Presisi (precision). Nilai precision menggambarkan tingkat keakurantan antara data yang diminta dengan hasil prediksi yang diberikan oleh model. Menghitung nilai precision menggunakan persamaan 2 [16] :
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃
(𝑇𝑃+𝐹𝑃) (16)
Berdasarkan nilai yang telah dihitung dari 10 jenis daun (Lampiran 2) maka diperoleh nilai precision sebesar 89%.
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 75 + 100 + 100 + 100 + 100 + 100 + 50 + 75 + 100 + 571
10 = 89%
Dilanjutkan dengan menghitung nilai Recall sebagai performance metric yang menggambarkan keberhasilan model dalam menemukan kembali sebuah informasi. Berikut rumus yang digunakan [17] :
𝑟𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃
(𝑇𝑃+𝐹𝑁) (17)
Nilai recall diperoleh dengan membandingkan rasio data prediki benar positif dengan keseluruhan data yang benar positif. Berdasarkan data yang telah diolah (Lampiran 2) maka diperoleh nilai recall 87%.
𝑅𝑒𝑐𝑎𝑙𝑙 = 75 + 50 + 100 + 75 + 100 + 100 + 100 + 100 + 75 + 100
10 = 87%
Berdasarkan perhitungan diatas maka dapat diketahui beberapa performance metrix berupa accuracy, recall dan precision dari model identifikasi daun menggunakan metode convolutional neural network (CNN).
4. KESIMPULAN
Pada percobaan yang dilakukan, fitur citra di ekstrasi dalam bentuk hidden layer antara lapisan konvolusi, poling dan ReLU yang terdapat dalam Convolutional Neural Netwrok (CNN) tanpa menggunakan metode ekstraksi tambahan. CNN melakukan proses konvolusi dan pooling layer sesuai dengan model yang dibuat. Pooling layer dipakai ditiap blok agar mengurangi ukuran piksel yang akan diolah sehingga penggunaan algoritma CNN ini menjadi lebih hemat waktu komputasi dan lebih efisien untuk diterapkan pada aplikasi yang akan dikembangkan kedepannya. Hasil pengujian model menggunakan metode Confusion Matrix dengan menguji sebanyak 400 gambar. Diperoleh nilai nilai accuracy sebesar 92% dan nilai f1-Score sebesar 88,51. Nilai recall sebesar 87% dan Nilai precission sebesar 89%. Dengan hasil tersebut maka dapat dikatakan bahwa penggunaan metode Convolutional Neural Netwrok (CNN) akurat digunakan untuk identifikasi daun tanaman berdasarkan visualisasi citra dari sepuluh jenis daun tumbuhan yang diperoleh dari Indonesia Herb Leaf Dataset (IHLD) maka dapat diidentifikasi dibedakan berdasarkan spesiesnya. Yaitu Daun Nangka, Jambu Biji, Sirih, Jeruk Nipis, Belimbing Wuluh, Kemangi, Seledri, Pepaya, Pandan dan Lidah Buaya. Penggunaan metode fitur ekstrasi tambahan diharapkan dapat menambah nilai akurasi dari model identifikasi Convolutional Neural Netwrok (CNN).
REFERENCES
[1] C. Aggarwal, “Convolutional Neural Networks: A Textbook,” 2018, pp. 315–371.
[2] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.
[3] V. Sharma, S. Rai, and A. Dev, “A Comprehensive Study of Artificial Neural Networks,” 2012.
[4] Ayu Ratna Juwita, Tohirn Al Mudzakir, Adi Rizky Pratama, Purwani Husodo, and Rahmat Sulaiman, “Identifikasi Citra Batik Dengan Metode Convolutional Neural Network,” Buana Ilmu, vol. 6, no. 1, pp. 192–208, 2021, doi:
10.36805/bi.v6i1.1996.
[5] E. N. Arrofiqoh and Harintaka, “Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi ( The Implementation of Convolutional Neural Network Method for Agricultural Plant Classification in High Resolution Imagery ),” Geomatika, vol. 24, no. 2, pp. 61–68, 2018.
[6] Z. Li, F. Liu, W. Yang, S. Peng, and J. Zhou, “A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects,” IEEE Trans. Neural Networks Learn. Syst., vol. 33, no. 12, pp. 6999–7019, 2022, doi:
10.1109/TNNLS.2021.3084827.
[7] “https://kujss.iraqjournals.com/pdf{\_}166170{\_}8dd024058ce4abb6c364bec514cecef8.html,” Kirkuk Univ. Journal- Scientific Stud., vol. 15, no. 2, pp. 1–16, Jun. 2020, doi: 10.32894/kujss.2019.15.2.1.
[8] R. I. Essa, S. S. Prasetyowati, and Y. Sibaroni, “Performance of ANN and RNN in Predicting the Classification of Covid-
19 Diseases based on Time Series Data,” vol. 10, no. 1, pp. 82–90, 2023, doi: 10.30865/jurikom.v10i1.5557.
[9] A. E. Minarno, G. W. Wicaksono, Y. Azhar, and M. Y. Hasanuddin, “Indonesian Herb Leaf Dataset 3500,” Mendeley data, 2022. https://data.mendeley.com/datasets/s82j8dh4rr.
[10] R. Pujiati and N. Rochmawati, “Identifikasi Citra Daun Tanaman Herbal Menggunakan Metode Convolutional Neural Network (CNN),” J. Informatics Comput. Sci., vol. 3, no. 03, pp. 351–357, 2022, doi: 10.26740/jinacs.v3n03.p351-357.
[11] F. Felix, J. Wijaya, S. P. Sutra, P. W. Kosasih, and P. Sirait, “Implementasi Convolutional Neural Network Untuk Identifikasi Jenis Tanaman Melalui Daun,” J. SIFO Mikroskil, vol. 21, no. 1, pp. 1–10, 2020, doi:
10.55601/jsm.v21i1.672.
[12] A. Waheed, M. Goyal, D. Gupta, A. Khanna, A. E. Hassanien, and H. M. Pandey, “An optimized dense convolutional neural network model for disease recognition and classification in corn leaf,” Comput. Electron. Agric., vol. 175, no.
January, p. 105456, 2020, doi: 10.1016/j.compag.2020.105456.
[13] A. Ajit, K. Acharya, and A. Samanta, “A Review of Convolutional Neural Networks,” Int. Conf. Emerg. Trends Inf.
Technol. Eng. ic-ETITE 2020, pp. 1–5, 2020, doi: 10.1109/ic-ETITE47903.2020.049.
[14] N. Chaibi, B. Atmani, and M. Mokaddem, “A Convolutional Neural Network With Feature Selection-Based Network Intrusion Detection,” Int. J. Appl. Evol. Comput., vol. 13, no. 1, pp. 1–21, Jun. 2022, doi: 10.4018/IJAEC.302014.
[15] B. D. Mardiana, W. B. Utomo, U. N. Oktaviana, G. W. Wicaksono, and A. E. Minarno, “Herbal Leaves Classification Based on Leaf Image Using {CNN} Architecture Model {VGG}16,” J. {RESTI} (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 1, pp. 20–26, Feb. 2023, doi: 10.29207/resti.v7i1.4550.
[16] R. Rahmadewi, E. Purwanti, and V. Efelina, “Identifikasi Jenis Tumbuhan Menggunakan Citra Daun Berbasis Jaringan Saraf Tiruan (Artificial Neural Networks),” J. Media Elektro, vol. VII, no. 2, pp. 38–43, 2018, doi:
10.35508/jme.v0i0.427.
[17] N. K. Manaswi, Deep Learning with Applications Using Python: Chatbots and Face, Object, and Speech Recognition With TensorFlow and Keras. 2018.
[18] A. J. Rozaqi, A. Sunyoto, and M. rudyanto Arief, “Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 22, 2021, doi:
10.24076/citec.2021v8i1.263.
[19] S. A. Rosiva Srg, M. Zarlis, and W. Wanayumini, “Identifikasi Citra Daun dengan GLCM (Gray Level Co-Occurence) dan K-NN (K-Nearest Neighbor),” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 2, pp.
477–488, 2022, doi: 10.30812/matrik.v21i2.1572.
[20] F. Hu, G. S. Xia, J. Hu, and L. Zhang, “Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery,” Remote Sens., vol. 7, no. 11, pp. 14680–14707, 2015, doi:
10.3390/rs71114680.
[21] Haryono, Khairul Anam, and Azmi Saleh, “Autentikasi Daun Herbal Menggunakan Convolutional Neural Network dan Raspberry Pi,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 3, pp. 278–286, 2020, doi: 10.22146/.v9i3.302.
[22] Y. Li, J. Nie, and X. Chao, “Do we really need deep CNN for plant diseases identification?,” Comput. Electron. Agric., vol. 178, no. August, p. 105803, 2020, doi: 10.1016/j.compag.2020.105803.
