Klasifikasi Varietas Buah Kiwi dengan Metode Convolutional Neural Networks Menggunakan Keras

(1)

Klasifikasi Varietas Buah Kiwi dengan Metode Convolutional Neural Networks Menggunakan Keras

Aldi Jakaria^*, Sofiyatul Mu’minah, Dwiza Riana, Sri Hadianti Magister Ilmu Komputer, Universitas Nusa Mandiri, Jakarta, Indonesia

Email: ^1,*[email protected],²[email protected],³[email protected],

4[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Buah kiwi dikenal dengan buah kaya manfaat karena mengandung banyak nutrisi, sumber serta serta antioksidan yang tinggi. Di Indonesia buah kiwi yang banyak dijual di pasaran ada dua varietas yaitu green kiwi dan golden kiwi dan ada satu varietas lagi yaitu red kiwi. Kandungan dari tiga varietas tersebut berbeda dan harga nya pun juga berbeda. Gold kiwi merupakan memiliki kandungan nutrisi paling tinggi sehingga harga nya diatas varietas kiwi lainnya namun dari luar penampakan buah kiwi ini sekilas sama dan banyak orang yang kurang mengenali varietas kiwi yang akan mereka beli padahal tiga varietas kiwi ini memiliki cita rasa dan kandungan nutrisi yang berbeda. Untuk itu peneliti mengusulkan sistem klasifikasi varietas buah kiwi dengan metode CNN menggunakan keras. Metode CNN adalah salah satu metode Deep learning yang dapat digunakan untuk mengenali dan mengklasifikasi sebuah objek pada sebuah citra digital. Kemudian dilakukan proses preprocessing dengan menggunakan labeling pada data. Lalu dilakukan perancangan arsitektur CNN dengan Input berisi 320x258x3 neuron. Data kemudian dilakukan pelatihan denngan menggunakan 25 epoch dengan tingkat akurasi 0.98.

Kemudian data uji menggunakan data test mendapatkan nilai rata-rata akurasi sebesar 0.987, sedangkan untuk presisi dan recall juga sama sama pada angka 0.987.

Kata Kunci: Kiwi; CNN; Keras; Image Processing

Abstract−Kiwi fruit is known as a fruit rich in benefits because it contains many nutrients, sources as well as high antioxidants.

In Indonesia, there are two varieties of kiwi fruit sold in the market, namely green kiwi and golden kiwi and there is one more variety, namely red kiwi. The content of the three varieties is different and the price is also different. Gold kiwi has the highest nutritional content so that the price is above other kiwi varieties, but from the outside the appearance of this kiwi fruit at a glance is the same and many people do not recognize the kiwi variety they will buy even though these three kiwi varieties have different tastes and nutritional content. For this reason, the researcher proposes a classification system for kiwi fruit varieties using the hard CNN method. The CNN method is one of the deep learning methods that can be used to recognize and classify an object in a digital image. Then the preprocessing process is carried out using labeling on the data. Then the CNN architecture is designed with Input containing 320x258x3 neurons. The data was then trained using 25 epochs with an accuracy rate of 0.98.

Then the test data using test data get an average accuracy value of 0.987, while for precision and recall it is also the same at 0.987.

Keywords: Kiwi; CNN; Keras; Image Processing

1. PENDAHULUAN

Buah kiwi merupakan buah yang berasal dari Cina, meskipun buah ini merupakan buah subtropics namun bisa berdaptasi dengan iklim lokal [1] sehingga bisa ditanam di berbagai negara lainnya. Buah kiwi dianggap sebagai salah satu buah terbaik karena nilai gizinya yang tinggi. Selain kaya sumber vitamin C, buah kiwi mengandung cukup banyak nutrisi (Kalsium, Magnesium, Nitrogen, Fosfor, Kalium, Besi, Natrium, Mangan, Seng & Tembaga) dan vitamin (A, B1, B2, B6 & E). Buah Kiwi ada beberapa varietas namun pada penelitian kali ini kami hanya akan membahas 3 varietas buah kiwi yaitu, green kiwi, red kiwi dan golden kiwi. Berdasarkan hasil riset peneliti ke beberapa swalayan dan media oline yang menjual Kiwi harga dari golden kiwi lebih mahal dibanding harga kiwi lainnya dikarenakan kandungan nutrisi pada golden kiwi lebih tinggi dibanding varietas buah kiwi lainny bahkan jenis buah lainnya [2].

Pada tahun 1989, Yann LeCun dan teman-temannya berhasil melakukan klasifikasi citra kode zip menggunakan kasus khusus dari Feed Forward Neural Network dengan nama Convolution Neural Network (CNN) [3]. Perkembangan dalam Convolutional Neural Network (CNN) sangat mengesankan dalam computer vision, terutama dalam klasifikasi gambar dan merupakan salah satu metode deep learning yang paling sering digunakan dalam pengolahan citra. Keras adalah High Level Neural Network API yang dapat dijalankan di atas framework- framework machine learning seperti TensorFlow, CNTK, atau Theano. Keras ditulis dalam bahasa Python [4].

Lebih lanjut, Keras menyediakan API yang mempermudah user dalam membangun arsitektur ANN sedangkan TensorFlow adalah framework machine learning yang bekerja dalam skala besar dan dalam environment yang heterogeneous [5]. TensorFlow digunakan untuk melakukan eksperimen model deep learning, melatih model pada dataset yang berukuran besar, dan membuatnya layak diproduksi. Selain itu TensorFlow juga mendukung training dan inference berskala besar dengan menggunakan ratusan server yang menggunakan Graphic Processing Unit (GPU) untuk training secara efisien. Penelitian ini menggunakan TensorFlow sebagai backend framework untuk Keras.

Terdapat beberapa penelitian terkait dengan penelitian buah Kiwi diantaranya adalah [6] penelitian Longsheng Fu dkk klasifikasi grade buah kiwi berdasarkan ukuran buah Length, Maximum diameter of the

(2)

Aldi Jakaria, Copyright ©2021, MIB, Page 1310 equatorial section (MaDES) dan Minimum diameter of the equatorial section(MiDES) namun sebelumnya dilakukan Image Pre-Processing dan Segmentation. Kemudian ada penelitian [7] oleh Song Zhenzhen dkk ini menghasilkan robot pemanen yang bisa mendeteksi buah kiwi diwaktu Pagi, Siang dan Malam. Dan ada juga penelitian [8] dengan hasil klasifikasi 15 macam buah dengan tingkat akurasi 99%. Namun belum ada penelitian khusus terkait klasifikasi varietas buah kiwi sehingga dalam penelitian ini kami mengusulkan sistem klasifikasi varietas buah kiwi dengan metode CNN menggunakan keras. Dengan tujuan pembeli bisa dengan mudah membedakan varietas buah kiwi dan untuk kedepannya membantu para petani kiwi di Indonesia dalam klasifikasi varietas buah kiwi.

Gambar 1. Varietas Buah Kiwi [9]

Pada gambar 1 dapat dilihat perbedaan tiga varetas buah kiwi, berikut penjelasan ciri-ciri dari 3 varietas buah kiwi:

a) Kiwi emas (gold kiwi). Kulitbuah kiwi ini bisa dikonsumsi dan berwarna cokelat keemasan, berbentuk lonjong dan tidak berbulu. Daging buah berwarna kuning cerah dengan biji hitam halus dibagian tengahnya. Rasanya lebih manis dibandingkan kiwi hijau [10]. b) Kiwi hijau (green kiwi). Kulit berwarna cokelat dengan bulu-bulu halus diseluruh permukaannya. Daging buah berwarna hijau dengan biji hitam halus dibagian tengahnya. Rasanya asam manis dan segar [10]. c) Kiwi merah (red kiwi). Merupakan varian baru dari buah kiwi [9] Kulit berwarna cokelat gelap tidak berbulu. Daging buah berwarna merah. Rasanya manis.

Berdasarkan perbedaan varietas buah kiwi tersebut, maka dengan dilakukannya peneilitian ini akan membantu petani ataupun pembeli buah kiwi untuk memudahkan membedakan varietas buah kiwi.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Tahapan penelitian merupakan tahapan-tahapan yang akan dilakukan dalam menyelesaikan penelitian. Dengan dilakukannya tahapan-tahapan dengan terstruktur dan sistematis agar penelitian ini dapat berjalan dengan baik [11]. Berikut merupakan tahapan-tahapan pada penelitian ini, yang dapat digambarkan melalui diagram alur penelitian seperti pada gambar 2.

Gambar 2. Diagram Alur Penelitian Penjelasan gambar 2 Diagram Alur Penelitian :

Pengumpulan Dataset

Praproses &

Pembagian Dataset

Perancangan Arsitektur

CNN

Pelatihan Dataset

Pengujian &

Confusion matrix

(3)

Pada tahap ini, dilakukan pengumpulan dataset yang akan digunakan sebagai bahan dan patokan dalam penelitian. Data disini juga termasuk pengumpulan data mentah atau data set yang digunakan untuk proses pengenalan citra.

b. Praproses & Pembagian Dataset

Preprocessing adalah tahap yang dilakukan sebelum training atau testing model. Pada tahap ini dilakukan proses resize, augmentasi, dan normalisasi. Resize adalah mengubah ukuran citra. Teknik ini digunakan untuk menyesuaikan citra supaya dapat dilakukan training atau testing [12]. Pada tahap ini dilakukan proses pengubahan citra menjadi dataset yang siap untuk dilakukan training. Pada tahap ini juga dilakukan pembagian data untuk data training dan data validation

c. Perancangan Arsitektur CNN

Pada tahap ini dilakukan perancangan arsitektur CNN yang cocok untuk data yang akan digunakan, mulai dari jumlah layer yang digunakan, jenis aktivasi, jumlah batch, jumlah epoch, ukuran convolution, ukuran pooling dan beberapa parameter lainya yang diperlukan [13].

d. Pelatihan Dataset

Pada tahap ini dilakukan proses pelatihan dataset untuk kemudian di implementasikan ke model yang sudah diusulkan. Kemudian dicari parameter terbaik berdasarkan akurasi. Kemudian hasil pelatihan di dalam sebuah model.

e. Pengujian & Confusion matrix

Pada tahap ini melakukan pengujian terhadap model yang sudah terbuat. Dilakukan pengujian terhadap data test untuk didapatkan hasil akurasinya. Kemudian dimodelkan dalam confusion matrix [14].

3. HASIL DAN PEMBAHASAN

3.1 Pengumpulan Dataset

Dataset yang digunakan dalam penelitian ini berupa citra dari tiga genus buah kiwi yaitu Golden Kiwi, Green Kiwi, Red Kiwi. Dataset yang digunakan berasal dari penelitian sebelumnya, yaitu Automatic Fruit Recognition Based On DCNN For Commercial Source Trace System [8]. Data yang digunakan dalam penelitian ini terdiri dari 4292 citra buah kiwi. Citra terdiri dari 2200 Kiwi A, 1067 Kiwi B, dan 1025 Kiwi C. Citra yang diambil di lingkungan lab di bawah skenario berbeda. Citra ditangkap pada latar belakang yang jelas dengan resolusi 320x258 piksel. Kamera yang digunakan yaitu webcam HD Logitech. Dataset Citra telah meliputi beberapa tantangan, yang bisa dihadapi dalam skenario pengenalan di dunia nyata di supermarket dan toko buah seperti cahaya, bayangan, sinar matahari, variasi pose, untuk membuat model ini kuat, mungkin diperlukan untuk mengatasi variasi iluminasi, artefak penangkap kamera, bayangan dan bayangan refleksi specular.

3.2 Praproses dan pembagian dataset

Sebelum dilakukan pembagian dataset menjadi data train dan data test, terlebih dahulu akan dilakukan praproses dataset. Tahapannya yaitu pertama-tama data set yang berjumlah 4292 akan diseleksi, untuk citra yang berkualitas buruk dan blur akan dibuang karena khawatir akan mengganggu proses pembelajaran model CNN nantinya.

Hasilnya menjadi 3030 (1010 citra/kelas). Selanjutnya, sebagai langkah terakhir dari praproses dataset, semua citra akan dinamai ulang (rename/labeling) sesuai dengan nama kelasnya dengan pola sebagai berikut:

a. A001.png, A002.png, A003.png dan seterusnya untuk kelas golden kiwi.

b. B001.png, B002.png, B003.jpg dan seterusnya untuk kelas green Kiwi.

c. C001.jpg, C002.jpg, C003.jpg dan seterusnya untuk kelas red Kiwi.

Selanjutnya dalam proses klasifikasi citra di CNN, dataset dibagi menjadi dua yaitu data latih (train) dan data uji (test). Merujuk pada uraian sebelumnya, total dataset yang berhasil terkumpul setelah melalui praproses dan augmentasi yaitu 3030 citra, dibagi menjadi:

a. Data train terdiri dari 2400 citra (800/kelas) b. Data test terdiri dari 630 citra (210/kelas)

Data train digunakan untuk proses pelatihan (training) sehingga menghasilkan sebuah model CNN beserta bobot perubahannya. Sedangkan data test digunakan untuk menguji (testing) model CNN yang dihasilkan tersebut, untuk dievaluasi. Namun sebelum melakukan training dan testing, data train maupun data test ini perlu di praproses terlebih dahulu, diubah ke dalam bentuk array, sehingga dapat diolah sesuai kebutuhan.

Praproses citra input dilakukan pada saat implementasi dalam penulisan kode program (coding) dengan bahasa pemrograman Python. Tujuan praproses citra input yaitu untuk menyesuaikan format citra agar pada saat citra memasuki arsitektur CNN dapat terbaca dengan baik. Tahapannya sebagai berikut:

a. Mengubah data citra (.jpg) ke dalam bentuk array.

b. Mendapatkan fitur (X) dan label (y) citra, lalu digabung, hasilnya menjadi variable berupa train_generator, validation_generator.

(4)

225 menjadi 0-1.

d. One-hot-encoding untuk untuk train_generator dan validation_generator yaitu mengubah setiap nilai di dalam kolom menjadi kolom baru dan mengisinya dengan nilai biner yaitu 0 dan 1 (biasa digunakan untuk data kategorial).

Selanjutnya variable yang merepresentasikan citra tersebut sudah siap diolah ke dalam algoritma CNN untuk dilakukan proses training kemudian testing.

3.3 Perancangan arsitektur CNN

Dalam implementasinya, metode Convolutional Neural Network (CNN) dikembangkan melalui beberapa tahapan, yaitu Model Building, Model Training, Model Evaluation, dan Final Model Prediction. Struktur CNN terdiri dari dua proses yaitu ekstraksi fitur dan klasifikasi. Proses ekstraksi fitur dalam CNN terdiri dari beberapa hidden layer, yaitu lapisan konvolusi, fungsi aktifasi, dan pooling layer. CNN bekerja secara hierarki, sehingga output pada lapisan konvolusi pertama digunakan sebagai input pada lapisan konvolusi selanjutnya [15]. Dalam penelitian ini kami mengusulkan CNN arsitektur LeNet yang muncul pada 1998. Pada saat itu metode ini belum mendapatkan perhatian dan kurang sukses dikalangan para peneliti karena terbatasnya dataset ujicoba, komputer yang digunakan masih lambat dan berbagai kesalahan dalam penerapan fungsi non linear [16].

Gambar 3. Arsitektur CNN yang diusulkan

Jalur pertama terdiri dari jaringan saraf konvolusi dalam dengan max-pooling untuk meningkatkan kemampuan sistem, sedangkan jalur kedua terdiri dari lapisan yang terhubung penuh. Jaringan memiliki empat lapisan neuron tersembunyi (dua convolutional-pooling),selain dari lapisan padat akhir neuron keluaran (input tidak dianggap sebagai lapisan). Input berisi 320x258x3 neuron, mewakili nilai RGB untuk gambar 320x258x3.

Sedangkan output layer terdiri dari 3 neuron, sesuai dengan jumlah kelas target. Sementara hiden layer terdiri dari Lapisan convolution-pooling pertama menggunakan bidang reseptif local (convolutional kernel) berukuran 3x3 dengan panjang langkah 1 piksel untuk mengekstrak 32 peta fitur, diikuti oleh maksimal operasi penyatuan dilakukan di wilayah 2x2, lapisan convolution-pooling kedua dan ketiga menggunakan bidang reseptif lokal (kernel) 3x3 yang sama yang menghasilkan 64 dan 128 fitur peta masing-masing sedangkan parameter lainnya

dense_2: Dense

input: (None, 64) output: (None, 3)

dropout_2: Dropout

dense_1: Dense

flatten_1: Flatten

input: (None, 78, 63, 16) output: (None, 78624)

dropout_1: Dropout

input: (None, 78, 63, 16) output: (None, 78, 63, 16)

max_pooling2d_2: MaxPooling2D

conv2d_2: MaxPooling2D

max_pooling2d_1: MaxPooling2D

conv2d_1: Conv2D

conv2d_1_input: InputLAyer

(5)

Aldi Jakaria, Copyright ©2021, MIB, Page 1313 tetap tidak berubah. Dalam lapisan konvolusional, setiap bidang terhubung ke satu atau lebih peta fitur dari lapisan sebelumnya. Koneksi dihubungkan dengan topeng konvolusi, yang merupakan matriks 2-D dari entri yang dapat disesuaikan yang disebut bobot (weights) [17]. Lapisan keempat adalah lapisan yang sepenuhnya terhubung dengan 64 neuron ReLU (rectifier linear unit) dan lapisan keluaran memiliki 15 neuron SoftMax yang sesuai dengan 15-berbagai kategori buah-buahan. Tiga lapisan convolutional-pooling juga menggunakan fungsi aktivasi ReLU. Empat operasi utama dilakukan di Conv.Net seperti yang ditunjukkan pada gambar 3.

a. Konvolusi

Lapisan konvolusi menggunakan filter untuk mengekstraksi objek dari citra input [18].

b. Non-Linearitas (ReLU)

ReLU (Rectification Linear Unit) merupakan operasi untuk mengenalkan nonlinearitas dan meningkatkan representasi dari model [18].

c. Pooling & Sub Sampling

Pooling atau subsampling adalah pengurangan ukuran matriks [18].

d. Klasifikasi (fully connected layer)

Lapisan fully connected layer merupakan kumpulan dari proses konvolusi [18].

3.4 Pelatihan Dataset

Proses pelatihan (training) dilakukan dengan skenario data train yaitu 2400 data train dengan masing-masing 800 citra/kelas. Selain itu, Juga digunakan beberapa hyperparameter sebagai berikut:

a. Input Shape Citra : 320x258x3 (RGB channel) b. Batch Size : 64 (25 iterasi dalam satu epoch) c. Epoch : 25 (Hasil sudah cukup optimal)

d. Optimizer : rmsprop (Salah satu optimizer terbaik)

Gambar 4. Hasil Akurasi Pelatihan Dataset 3.5 Pengujian & Confusion Matrix

Pada gambar 4. dapat terlihat bahwa nilai akurasi untuk data training bermula pada epoch pertama 0.46 hingga maksimal ada di epoch 15 pada akurasi 0.98. sementara untuk data validasi pada epoch pertama 0.55 hingga maksimal ada pada akurasi 0.97 yaitu pada epoch 25. Dataset pada Penelitian ini memiliki tiga kelas sehingga termasuk dalam multi class dimana perhitungan untuk akurasi, presisi dan recall nya adalah rata-rata dari nilai akurasi, recall dan presisi dari setiap kelas dengan formula perhitungan sebagai berikut:

Akurasi =

∑ 𝑇𝑃 + 𝑇𝑁

𝑇𝑃𝑖+ 𝑇𝑁𝑖+ 𝐹𝑃𝑖+ 𝐹𝑁𝑖 𝐼𝑖=1

𝐼 ∗ 100%

(1)

Presisi = ∑^𝐼_𝑖=1𝑇𝑃_𝑖

∑^𝐼_𝑖=1(𝐹𝑃_𝑖+ 𝑇𝑃_𝑖)∗ 100% (2) Recall = ∑^𝐼_𝑖=1𝑇𝑃_𝑖

∑^𝐼_𝑖=1(𝑇𝑃_𝑖+ 𝐹𝑁_𝑖)∗ 100% (3) Keterangan dari formula diatas adalah :

a. TPi adalah True Positive, yaitu jumlah data positif yang terklasifikasi dengan benar oleh sistem untuk kelas ke- i.

b. TNi adalah True Negative, yaitu jumlah data negatif yang terklasifikasi dengan benar oleh sistem untuk kelas ke-i.

c. FNi adalah False Negative, yaitu jumlah data negatif namun terklasifikasi salah oleh sistem untuk kelas ke-i.

d. FPi adalah False Positive, yaitu jumlah data positif namun terklasifikasi salah oleh sistem untuk kelas ke-i

(6)

Model pada gambar 4 kemudian dievaluasi kembali menggunakan data Test yang berbeda dan diplot dalam confusion matrix pada gambar 5.

Gambar 5. Hasil Confusion matrix

Seperti pada gambar 5. bisa dilihat bahwa akurasi menggunakan data test tersebut ada di angka 0.987.

sedangkan untuk presisi dan recall juga sama sama pada angka 0.987. di mana ini merupakan akurasi yang cukup baik.

4. KESIMPULAN

Klasifikasi Buah kiwi yang dilakukan dengan menggunakan metode CNN dan menggunakan 3030 dataset yang telah terkumpul. Kemudian dilakukan proses preprocessing dengan menggunakan labeling pada data. Lalu dilakukan perancangan arsitektur CNN dengan Input berisi 320x258x3 neuron. Data kemudian dilakukan pelatihan denngan menggunakan 25 epoch dengan tingkat akurasi 0.98. Kemudian data uji menggunakan data test mendapatkan nilai rata-rata akurasi sebesar 0.987, sedangkan untuk presisi dan recall juga sama sama pada angka 0.987. berdasarkan hal tersebut dapat disimpulkan bahwa metode CNN cukup handal untuk digunakan. Pada penelitian ini tentu masih banyak memiliki kekurangan dan perlu perbaikan dalam penelitian selanjutnya dengan menggunakan metode lain dan lebih memperdalam lagi pada tahap preprocessing sehingga diharapkan mendapatkan nilai yang lebih tinggi dari penelitian ini. Kemudian bisa dilakukan penggunaan dataset lain yang memiliki jumlah kelas yang lebih banyak.

REFERENCES

[1] S. A. Mir, M. A. Shah, and M. M. Mir, Postharvest biology and technology of temperate fruits, no. September 2019.

2018.

[2] Z. Research, “Zespri Scientific Pack: Nutrition & Health Attributes of Kiwifruit,” pp. 2–60, 2016.

[3] and L. D. J. Y. Le Cun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard, “Handwritten Digit Recognition with a Back-Propagation Network,” Dermatol. Surg., vol. 39, no. 1 Pt 2, p. 149, 1990, doi:

10.1111/dsu.12130.

[4] Keras, “Deep learning for humans.” https://keras.io/ (accessed Aug. 01, 2020).

[5] M. Abadi et al., “TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems,” 2016, [Online].

Available: http://arxiv.org/abs/1603.04467.

[6] L. Fu, S. Sun, R. Li, and S. Wang, “Classification of kiwifruit grades based on fruit shape using a single camera,” Sensors (Switzerland), vol. 16, no. 7, pp. 1–14, 2016, doi: 10.3390/s16071012.

[7] Z. Song, L. Fu, J. Wu, Z. Liu, R. Li, and Y. Cui, “Kiwifruit detection in field images using Faster R-CNN with VGG16,”

IFAC-PapersOnLine, vol. 52, no. 30, pp. 76–81, 2019, doi: 10.1016/j.ifacol.2019.12.500.

[8] I. Hussain, Q. He, and Z. Chen, “Automatic Fruit Recognition Based on DCNN for Commercial Source Trace System,”

Int. J. Comput. Sci. Appl., vol. 8, no. 2/3, pp. 01–14, 2018, doi: 10.5121/ijcsa.2018.8301.

[9] zespri, “Kiwi,” 2021. https://www.zespri.com/ (accessed Aug. 01, 2021).

[10] L. Y. DAMANIK, Penetapan kadar magnesium, besi dan natrium pada buah kiwi hijau (. 2017.

[11] N. Azis, H. Herwanto, and F. Ramadhani, “Implementasi Speech Recognition Pada Aplikasi E-Prescribing Menggunakan Algoritme Convolutional Neural Network,” J. MEDIA Inform. BUDIDARMA, vol. Vol 5, No, pp. 460–467, 2021.

[12] M. Afif, A. Fawwaz, K. N. Ramadhani, and F. Sthevanie, “Klasifikasi Ras pada Kucing menggunakan Algoritma Convolutional Neural Network(CNN),” J. Tugas Akhir Fak. Inform., vol. 8, no. 1, pp. 715–730, 2020.

(7)

Comput. Inf. Technol., vol. 4, no. 2, pp. 115–121, 2021.

[14] M. R. R. Allaam, “KLASIFIKASI GENUS TANAMAN ANGGREK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK ( CNN ) Program Studi Sarjana Informatika Fakultas Informatika Universitas Telkom Bandung,” vol. 8, no. 2, pp. 3147–3179, 2021.

[15] B. Nugroho and E. Y. Puspaningrum, “Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 3, p. 533, 2021, doi: 10.25126/jtiik.2021834515.

[16] N. F. Mustamin, Y. Sari, and H. Khatimi, “Klasifikasi Kualitas Kayu Kelapa Menggunakan Arsitektur Cnn,” Klik - Kumpul. J. Ilmu Komput., vol. 8, no. 1, p. 49, 2021, doi: 10.20527/klik.v8i1.370.

[17] H. Fonda, “Klasifikasi Batik Riau Dengan Menggunakan Convolutional Neural Networks (Cnn),” J. Ilmu Komput., vol.

9, no. 1, pp. 7–10, 2020, doi: 10.33060/jik/2020/vol9.iss1.144.

[18] 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.