-
i
TUGAS AKHIR (609502A)
KLASIFIKASI PENYAKIT PADA ORCHIDACEAE MENGGUNAKAN
PENGOLAHAN CITRA DENGAN METODE CONVOLUTIONAL
NEURAL NETWORK (CNN)
MOCHAMMAD IRFANO ARIFIN
NRP.0915040028
DOSEN PEMBIMBING
FARIZI RACHMAN, S.Si.,M.Si.
RYAN YUDHA ADHITYA, S.ST.,M.T.
PROGRAM STUDI D4 TEKNIK OTOMASI
JURUSAN TEKNIK KELISTRIKAN KAPAL
POLITEKNIK PERKAPALAN NEGERI SURABAYA
SURABAYA
2019
-
i
TUGAS AKHIR (609502A)
JUDUL HALAMAN
KLASIFIKASI PENYAKIT PADA ORCHIDACEAE MENGGUNAKAN
PENGOLAHAN CITRA DENGAN METODE CONVOLUTIONAL
NEURAL NETWORK (CNN)
MOCHAMMAD IRFANO ARIFIN
NRP.0915040028
DOSEN PEMBIMBING
FARIZI RACHMAN, S.Si.,M.Si.
RYAN YUDHA ADHITYA, S.ST.,MT.
PROGRAM STUDI D4 TEKNIK OTOMASI
JURUSAN TEKNIK KELISTRIKAN KAPAL
POLITEKNIK PERKAPALAN NEGERI SURABAYA
SURABAYA
2019
-
ii
-
ii
“Halaman ini sengaja dikosongkan”
-
iii
LEMB AR PENGESAHAN
TUGAS AKHIR
KLASIFIKASI PENYAKIT PADA ORCHIDACEAE MENGGUNAKAN
PENGOLAHAN CITRA DENGAN METODE CONVOLUTIONAL
NEURAL NETWORK (CNN)
Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan
Program Studi D4 Teknik Otomasi
Jurusan Teknik Kelistrikan Kapal
Disetujui oleh Tim Penguji Tugas Akhir Tanggal Ujian:
Periode Wisuda:
Program Studi D4 Teknik Otomasi
Jurusan Teknik Kelistrikan Kapal
POLITEKNIK PERKAPALAN NEGERI SURABAYA
Mengetahui/menyetujui Mengetahui/menyetujui
Ketua Jurusan, Koordinator Program Studi,
M. Basuki Rahmat, S.T., M.T. M. Khoirul Hasin S.Kom., M.Kom.
NIP. 197305222000031001 NIP. 198812252015041003
Mengetahui/menyetujui,
Dosen Penguji Tanda Tangan
1.
..............................................................................
(.........................................)
2.
..............................................................................
(.........................................)
3.
..............................................................................
(.........................................)
4.
..............................................................................
(.........................................)
Dosen Pembimbing Tanda Tangan
1. Farizi Rachman, S. Si., M. Si.
(.........................................)
2. Ryan Yudha Adhitya, S.ST., MT.
(.........................................)
-
iv
“Halaman ini sengaja dikosongkan”
-
v
PERNYATAAN BEBAS PLAGIAT
No. : F.WD I. 021
Date : 3 Nopember 2015
Rev. : 01
Page : 1 dari 1
Yang bertandatangan dibawah ini:
Nama : Moch Irfano Arifin
NRP. : 0915040028
Jurusan/Prodi : Teknik Kelistrikan Kapal/Teknik Otomasi
Dengan ini menyatakan dengan sesungguhnya bahwa :
Tugas Akhir yang akan saya kerjakan dengan judul :
Klasifikasi Penyakit Pada Orchidaceae Menggunakan Pengolahan
Citra
Dengan Metode Convolutional Neural Network (CNN)
Adalah benar karya saya sendiri dan bukan plagiat dari karya
orang lain.
Apabila dikemudian hari terbukti terdapat plagiat dalam karya
ilmiah tersebut,
maka saya bersedia menerima sanksi sesuai ketentuan peraturan
yang berlaku.
Demikian surat pernyataan ini saya buat dengan penuh tanggung
jawab.
Surabaya, 15 Agustus 2019
Yang membuat pernyataan,
(Moch Irfano Arifin)
NRP. 0915040028
-
vi
“Halaman ini sengaja dikosongkan”
-
vii
KATA PENGANTAR
Alhamdulillahahi rabbil aalamiin, puji syukur kehadirat Allah
SWT yang
telah memberikan rahmat, karunia, dan nikmat-Nya sehingga tugas
akhir yang
berjudul “Klasifikasi Penyakit Pada Orchidaceae Menggunakan
Pengolahan Citra
dengan Metode Convolution Neural Network (CNN)” dapat
diselesaikan.
Penyusunan tugas akhir ini disusun sebagai persyaratan kelulusan
program
Diploma-4 (D-4) pada Program Studi Teknik Otomasi, Politeknik
Perkapalan
Negeri Surabaya. Selama proses pengerjaan penulis telah banyak
menerima
dukungan, masukan serta bantuan dari berbagai pihak. Oleh karena
itu, pada
kesempatan ini penulis mengucapkan terima kasih kepada:
1. Kepada Ibunda dan Ayahanda penulis R Lilis Atun Wati dan
Harjanto,
yang tiada putus memberikan kasih sayang, doa, semangat tiada
henti
kepada penulis, dan selalu memotivasi penulis untuk segera
menyelesaikan
penelitian ini.
2. Bapak Ir. Eko Julianto, M.Sc., FRINA selaku Direktur
Politeknik
Perkapalan Negeri Surabaya.
3. Bapak Moh. Basuki Rahmat, S.T., M.T. selaku Ketua Jurusan
Teknik
Kelistrikan Kapal PPNS yang telah mengarahkan dan membantu
penulis
untuk segera menyelesaikan jenjang pendidikan D4 di Teknik
Otomasi
PPNS.
4. Bapak Dr. Eng. Imam Sutrisno, S.T., M.T. selaku Koordinator
Program
Studi Teknik Otomasi PPNS.
5. Bapak Farizi Rachman, S.Si., M.Si. selaku dosen pembimbing I
yang telah
sabar dalam menuntun penulis serta memberikan solusi dan masukan
dari
setiap permasalahan yang dihadapi penulis dalam penelitian
ini.
6. Bapak Ryan Yudha Adhitya, S.ST., MT, selaku dosen pembimbing
II yang
telah sabar dalam menuntun penulis dan memberikan solusi dan
ilmunya
dari setiap permasalahan yang dihadapi penulis dalam penelitian
ini.
7. Seluruh Staff, Dosen, dan Karyawan Politeknik Perkapalan
Negeri
Surabaya.
-
viii
8. Seluruh Dosen Jurusan Teknik Kelistrikan Kapal PPNS yang
telah
memberikan ilmu dan bimbingannya selama penulis melaksanakan
studi.
9. Seluruh keluarga Himpunan Mahasiswa Teknik Otomasi
khususnya
teman-teman Teknik Otomasi angkatan 2015 atas segala bentuk
dukungan
serta kenangan perjuangan bersama selama menjadi mahasiswa.
10. Elionora Brigitta Yuliro Sebagai sahabat yang selalu
mendukung dan
membantu dalam penulisan Tugas Akhir ini.
Semoga tugas akhir ini dapat bermanfaat bagi semua pihak. Kritik
dan saran
yang membangun sangat diharapkan oleh penulis. Terima kasih.
Penulis,
Mochammad Irfano Arifin
-
ix
KLASIFIKASI PENYAKIT PADA ORCHIDACEAE MENGGUNAKAN
PENGOLAHAN CITRA DENGAN METODE CONVOLUTIONAL NEURAL
NETWORK (CNN)
Mochammad Irfano Arifin
ABSTRAK
Tanaman Anggrek merupakan tanaman hias yang bernilai jual
cukup
tinggi. Pertumbuhan tanaman harus diperhatikan kesehatannya agar
bunganya
dapat tumbuh secara indah namun pertumbuhannya akan terhambat
bila terdapat
penyakit dengan penanganan yang tidak tepat. Namun pada
kenyataannya
kesadaran dan kurangnya pengetahuan petani anggrek tentang jenis
penyakit
anggrek sehingga penyakit tersebut akan merambat ke seluruh
bagian tanaman.
Akibat yang paling buruk adalah tanaman dapat mati dan menyebar
ke tanaman
lainnya, tentu saja akan membuat petani anggrek mengalami
kerugian dari sisi
materi dan waktu maka dari itu penulis membuat suatu alat yaitu
“Klasifikasi
Penyakit Pada Orchidaceae Menggunakan pengolahan citra dengan
Metode
Convolutional Neural Network (CNN)”. Input dari sistem ini yaitu
berupa hasil
klasifikasi. Sistem Klasifikasi ini menggunakan pengolahan
citra. Pengolahan
citra dimodifikasi dengan metode Convolutional Neural Network
(CNN), dimana
algoritma ini akan mengolah dan menganalisis gambar daun pada
tanaman. Daun
yang dideteksi pada penelitian ini adalah daun dengan kategori
penyakit hama
spider mites (spider mites pest), titik hitam (Black Spot) ,
Cercospora dan sehat.
Empat kemungkinan klasifikasi. Sedangkan output dari penelitian
ini yaitu berupa
hasil klasifikasi kondisi daun tersebut. Hasil dari pengujian
sistem dengan sampel
tidak termasuk dataset dengan pengambilan 10 gambar setiap
kategori, didapatkan
total 40 gambar memiliki tingkat keberhasil sebesar 85%,
berdasarkan tingkat
keberhasilan tersebut dapat dikatakan bahwa sistem berjalan
sesuai dengan
fungsinya dengan cukup baik.
Kata kunci : Convolutional Neural Network, Pengolahan Citra,
tanaman anggrek,
PC.
-
x
“Halaman ini sengaja dikosongkan”
-
xi
CLASSIFICATION OF DISEASE IN ORCHIDACEAE USING IMAGE
PROCESSING WITH THE CONVOLUTIONAL NEURAL NETWORK
(CNN) METHOD
Mochammad Irfano Arifin
ABSTRACT
Orchid plants are ornamental plants that have a high enough sale
value.
The growth of plants must be considered for their health so that
the flowers can
grow beautifully, but their growth will be hampered if there are
diseases with
improper handling. But in reality the awareness and lack of
knowledge of orchid
farmers about the types of orchid diseases so that the disease
will spread to all
parts of the plant. The worst result is that plants can die and
spread to other
plants, of course, will make orchid farmers experience losses in
terms of material
and time, so the authors make a tool that is "Classification of
Disease in
Orchidaceae Using image processing with Convolutional Neural
Network (CNN)
Method) ". Input from this system is in the form of
classification results. This
classification system uses image processing. Image processing is
modified by the
Convolutional Neural Network (CNN) method, where this algorithm
will process
and analyze leaf images on plants. The leaves detected in this
study were those
with spider mites pest, black spot, cercospora and healthy
pests. Four possible
classifications. While the output of this study is in the form
of the results of the
classification of the leaf conditions. The results of testing
the system with a sample
that does not include a dataset with taking 10 pictures per
category, obtained a
total of 40 images has a success rate of 85%, based on the
success rate it can be
said that the system runs according to its function quite
well.
Keywords : Convolutional Neural Network, Image Processing,
Orchid plants.
-
xii
“Halaman ini sengaja dikosongkan”
-
xiii
DAFTAR ISI
JUDUL HALAMAN
..............................................................................................
i
LEMBAR PENGESAHAN
.................................................................................
iii
PERNYATAAN BEBAS PLAGIAT
...................................................................
v
KATA PENGANTAR
.........................................................................................
vii
ABSTRAK
............................................................................................................
ix
ABSTRACT
...........................................................................................................
xi
DAFTAR ISI
.......................................................................................................
xiii
DAFTAR TABEL
...............................................................................................
xv
DAFTAR GAMBAR
.........................................................................................
xvii
BAB 1 PENDAHULUAN
.....................................................................................
1
1.1 Latar Belakang
............................................................................................
1
1.2 Rumusan Masalah
.......................................................................................
2
1.3 Tujuan Penelitian
.........................................................................................
2
1.4 Manfaat Penelitian
.......................................................................................
3
1.5 Batasan Masalah
..........................................................................................
3
BAB 2 TINJAUAN PUSTAKA
............................................................................
5
2.1 Tanaman Anggrek (Orchidaceae)
...............................................................
5
2.2 Dasar Teori
................................................................................................
10
2.2.1 Model Warna
RGB.............................................................................
10
2.2.2 Neural Network
..................................................................................
10
2.2.3 Convolutional Neural Network
.......................................................... 14
2.2.4
Python.................................................................................................
17
2.2.5 OpenCV
..............................................................................................
18
BAB 3 METODOLOGI PENELITIAN
............................................................ 19
3.1 Identifikasi Masalah dan Studi Literatur
................................................... 20
3.2 Analisa Kebutuhan Sistem
........................................................................
20
3.3 Desain dan Perancangan Sistem
................................................................
21
3.3.1 Perancangan
Sistem............................................................................
21
3.3.2 Diagram Blok Sistem
.........................................................................
22
3.3.3 Rancangan Spesifikasi Sistem
............................................................ 23
file:///C:/Users/User/Downloads/fixx.docx%23_Toc19449501
-
xiv
3.4 Arsitektur CNN
..........................................................................................
23
3.5 Contoh Perhitungan CNN
..........................................................................
24
BAB 4 HASIL DAN PEMBAHASAN
...............................................................
31
4.1. Pengujian Hardware
...................................................................................
31
4.1.1 Pengujian
Kamera................................................................................
31
4.2 Software
.....................................................................................................
31
4.2.1. Tampilan Interface
...............................................................................
31
4.2.2 Pembentukan dan Pengambilan Dataset
............................................. 32
4.2.3 Konvolusi Karnel
................................................................................
33
4.2.4 Maxpooling
.........................................................................................
35
4.2.5 Training
..............................................................................................
37
4.2.6 `Pengujian Data Real Time
.................................................................
42
4.3 . Analisa
.....................................................................................................
49
BAB 5 KESIMPULAN DAN SARAN
...............................................................
51
5.1 Kesimpulan
................................................................................................
51
5.2 Saran
..........................................................................................................
51
DAFTAR PUSTAKA
..........................................................................................
54
-
xv
DAFTAR TABEL
Tabel 4.1 Dataset Kategori Sehat
..........................................................................
32
Tabel 4.2 Dataset Kategori penyakit
.....................................................................
32
Tabel 4.3 Hasil Konvolusi 1 Gambar
....................................................................
33
Tabel 4. 4 Hasil Konvolusi Gambar 2
...................................................................
34
Tabel 4. 5 Hasil maxpooling 1
..............................................................................
35
Tabel 4. 6 Gambar Hasil Proses Maxpooling 2
.................................................... 36
Tabel 4.7 Pembagian dataset dan spesifikasinya
.................................................. 37
Tabel 4.8 Vektor Output
.......................................................................................
38
Tabel 4.9 Data akhir hasil training RMSprop Optimizer
...................................... 39
Tabel 4.10 Data akhir hasil training Adam Optimizer
.......................................... 41
Tabel 4.11 Data akhir hasil training Adadelta Optimizer
..................................... 42
Tabel 4.12 Hasil Klasifikasi pada penyakit spider mites Tidak
Masuk Dataset ... 43
Tabel 4.13 Hasil Klasifikasi black spot Tidak Masuk Dataset
............................. 44
Tabel 4.14 Hasil Klasifikasi Cescospora
..............................................................
45
Tabel 4.15 Hasil Klasifikasi sehat Tidak Masuk Dataset
..................................... 47
Tabel 4.16 Hasil Presentase Keberhasilan Tidak Masuk Dataset
......................... 48
Tabel 4.17 Hasil Presentase Keberhasilan Tidak Masuk Dataset
......................... 50
-
xvi
“Halaman Sengaja Dikosongkan”
-
xvii
DAFTAR GAMBAR
Gambar 2. 1 Data produksi anggrek 2008-2017 (Statistik, 2017)
.......................... 6
Gambar 2. 2 Spider mites (Paul J. Johnson, 2008)
................................................. 7
Gambar 2. 3 Spider mites pest (Paul J. Johnson, 2008)
.......................................... 8
Gambar 2. 4 Black Spot (Dummer, 2017)
..............................................................
8
Gambar 2. 5 Cercospora pada anggrek
...................................................................
9
Gambar 2. 6 Model Warna
RGB...........................................................................
10
Gambar 2. 7 Neuron Secara Biologi pada Neural Network (Hakim,
2017) ......... 11
gambar 2. 8 Struktur Multi Layer Perceptron (Nazar, 2018)
................................ 13
Gambar 2. 9 Arsitektur Convolutional Neural Network
....................................... 15
Gambar 2. 10 Operasi Konvolusi (I Wayan Suartika E. P, 2016)
........................ 16
Gambar 2. 11 Operasi Max Pooling (I Wayan Suartika E. P, 2016)
.................... 17
Gambar 3. 1 Diagram Alir Penelitian
...................................................................
19
Gambar 3. 2 Gambaran Umum CNN
....................................................................
21
Gambar 3. 3 Flowchart Alur Sistem
.....................................................................
22
Gambar 3. 4 Rancangan Desain Kerja Hardware
................................................. 22
Gambar 3. 5 Gambar berukuran 10 x 10 sebelum dilakukan konvolusi
............... 25
Gambar 3. 6 Gambar berukuran 10 x 10 dalam bentuk array
............................... 25
Gambar 3. 7 Gaussian karnel 3 x 3.
......................................................................
25
Gambar 3. 8 Posisi proses konvolusi, (A) posisi 1, (B) posisi 2,
(C) Posisi 3. ..... 26
Gambar 3. 9 Hasil konvolusi menghasilkan feature maps berukuran
8 x 8 .......... 27
Gambar 3. 10 Hasil Max pooling 4 x 4
.................................................................
28
Gambar 3. 11 Proses Flattening
............................................................................
28
Gambar 4. 1 Hasil Pengujian Koneksi Kamera
.................................................... 31
Gambar 4. 2 Tampilan Interface
...........................................................................
32
Gambar 4. 3 Grafik training akurasi SGD Optimizer
........................................... 39
Gambar 4. 4 Grafik training loss SGD
Optimizer................................................. 39
Gambar 4. 5 Grafik training akurasi Adam Optimizer
......................................... 40
Gambar 4. 6 Grafik training loss Adam Optimizer
............................................... 40
Gambar 4. 7 Grafik training akurasi Adadelta Optimizer
..................................... 41
Gambar 4. 8 Grafik training loss Adadelta Optimizer
.......................................... 42
-
xviii
-
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Penyakit tanaman merupakan suatu ancaman tersendiri pada
bidang
pertanian maupun perkebunan di seluruh bagian dunia (Guan et al
2009).
Penyakit yang tidak ditangani secara tepat akan mengakibatkan
pengurangan
hasil panen tanaman tersebut. Identifikasi awal penyakit sangat
diperlukan, hal
ini agar penyakit tanaman tidak segera menyebar ke tanaman yang
lain. Deteksi
penyakit tanaman biasa dilakukan dengan pengamatan secara
langsung pada tiap
tanaman. Pengalaman dari pengamat untuk mendeteksi penyakit
tanaman dan
ketelitian sangat diperlukan mengingat metode manual seperti ini
akan
memakan waktu dan biaya yang banyak jika dilakukan pada
perkebunan yang
luas dan juga akan memberi informasi secara langsung jika
tanaman mengidap
penyakit agar pengobatannya tidak terlambat dan tidak menyebar
luas.
Deteksi penyakit tanaman secara otomatis merupakan topik yang
menjadi
fokus utama para pemilik perkebunan ataupun yang tertarik dengan
bidang
agrikultur. Metode deteksi otomatis ini berdasarkan pengamatan
menggunakan
proses gambar yang ditunjang dengan perkembangan teknologi
visual dan
produk digital. Pendeteksian penyakit tanaman ini berdasar pada
daun yang
terkena penyakit. Bagaimanapun juga, deteksi otomatis ini masih
banyak
kekurangan dikarenakan sangat kompleksnya tanda dari penyakit
tanaman itu
sendiri. Seperti pada journal (Kurniawan, 2016) tentang
penelitian
“IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN
METODE GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN
SUPPORT VECTOR MACHINE (SVM)”.
Pada tugas akhir ini bertujuan untuk mendeteksi tentang kondisi
penyakit
yang menyerang tanaman anggrek dimana terdapat beberapa macam
penyakit
dari tanaman anggrek seperti daun yang menguning, bercak hitam
dan bercak
hijau muda dimana penyakit tersebut disebabkan oleh jamur, virus
dan faktor
-
2
lingkungan. Dimana pengolahan citra akan digunakan disini pada
kondisi daun
yang mempunyai penyakit dan akan memberikan kesimpulan terhadap
penyakit
yang dimiliki tanaman anggrek.
Pada penggunaan metode dalam pengolahan citra menggunakan
CNN
(convolution neural network) pemilihan metode ini karena pada
penelitian yang
dilakukan oleh (Aris Nasuha, 2018) bahwa klasifikasi antara MLP
dengan CNN,
dengan variasi parameter, akurasi validasi CNN selalu lebih
tinggi disbanding
MLP , pada metode lain nya seperti SVM (support vector machine)
seperti yang
dikatakan oleh (Sharma, 2018) bahwa CNN lebih baik dalam
pengenalan gambar
visual. Pada pengolahan citra akan diambil sampel dimana sampel
tersebut
digunakan sebagai data training untuk klasifikasi kesehatan dari
tanaman
anggrek. Daun tanaman anggrek yang akan di ambil sampelnya
adalah daun
tanaman anggrek yang sehat dan daun tanaman anggrek yang tidak
sehat atau
terkena penyakit tertentu dengan kesimpulan penyakit apa yang
dialami oleh
tanaman anggrek sehingga penangan proses perawatan cepat
dilakukan. Pada
Tugas Akhir kali ini fokus terhadap gejala penyakit yang dialami
pada daun
tanaman anggrek
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, dapat
diperoleh
rumusan masalah sebagai berikut:
1. Bagaimana perancangan sistem identifikasi klasifikasi
penyakit pada
tanaman anggrek dengan pengolahan citra?
2. Bagaimana implementasi Sistem Identifikasi Klasifikasi
Penyakit pada
Orchidaceae Menggunakan Pengolahan Citra dengan Metode
Convolutional Neural Network (CNN)?
3. Bagaimana mendapatkan arsitektur CNN yang optimal?
1.3 Tujuan Penelitian
Sesuai dengan perumusan masalah diatas maka penelitian ini
mempunyai
tujuan sebagai berikut:
-
3
1. Mampu merancang sistem identifikasi klasifikasi penyakit pada
tanaman
anggrek dengan pengolahan citra.
2. Mampu mengimplementasikan metode CNN (Convolutional
Neural
Network) pada sistem Klasifikasi Penyakit pada Orchidaceae
Menggunakan Pengolahan Citra dengan Metode Convolution
Neural
Network (CNN).
3. Mampu mendapatkan arsitektur CNN yang optimal.
1.4 Manfaat Penelitian
Manfaat pada penelitian ini adalah.
1. Terciptanya sebuah sistem identifikasi penyakit pada tanaman
anggrek
menggunakan sensor kamera.
2. Mengurangi resiko terjadinya penyebaran penyakit dan
penanganannya
pada tanaman anggrek.
3. Memberikan informasi penyebab terjadinya penyakit tersebut
dan juga
cara mengatasi penyakit tersebut sesuai dengan penyakit yang
dialami
4. Membantu pekerjaan petani anggrek untuk proses monitoring
tanaman
anggrek terutama pada skala luas
1.5 Batasan Masalah
Batasan masalah dalam penelitian ini antara lain.
1. Pada tugas akhir ini fokus dari klasifikasi penyakit dilihat
dari gejala
yang terdapat pada daun tanaman
2. Penyakit yang dapat di identifikasi pada saat ini adalah hama
spider
mites (spider mites pest), baktreri titik hitam (Black Spot)
dan
Cercospora
3. Dalam pemprosesan pada pengolahan citra menggunakan pc.
4. Agar hasil yang didapat maksimal Kondisi pada tempat
pengambilan
citra telah diatur oleh penulis dengan menggunakan backgorund
putih
-
4
“Halaman ini sengaja dikosongkan”
-
5
BAB 2
TINJAUAN PUSTAKA
2.1 Tanaman Anggrek (Orchidaceae)
Anggrek memiliki nama latin Orchidaceae, yaitu merupakan satu
suku
tumbuhan berbunga yang memiki anggota atau jenis terbanyak.
Meskipun
beberapa besar anggotanya ditemukan di wilayah tropika. Umumnya
anggota
suku ini hidup sebagai epifit, terlebih yang datang dari wilayah
tropika.
Anggrek di wilayah beriklim sedang umumnya hidup di tanah
serta
membentuk umbi sebagai langkah beradaptasi pada musim dingin.
Seperti
halnya bunga-bunga lainya, Anggrek juga memiliki ciri khas
tersendiri hingga
menjadikanya beda serta mudah dikenali. Bagian suku ini
cenderung
mempunyai organ-organ yang sukulen atau berdaging yaitu tidak
tipis dengan
kandungan air yang tinggi. Karena ia bisa hidup pada situasi
ketersediaan air
yang rendah. Air didapatkan dari hujan, tetesan, embun, atau uap
air di udara.
Daun anggrek biasanya oval memanjang dengan tulang daun
memanjang pula,
khas daun monokotil. Daun dapat pula menebal dan berfungsi
sebagai
penyimpan air.
Seperti kata (Suryanto, 2011) Pengendalian penyakit pada tanaman
hias
lebih susah dari pada pengendalian serangan hama. Pencegahan
sangat
dianjurkan. Pengaturan drainase yang baik, sirkulasi udara
berjalan baik,
penyiraman cukup atau tidak berlebih. Sehingga akan terbentuk
lingkungan
yang sesuai. Pada umumnya penyakit tanaman hias muncul dari
faktor
kelembaban yang berlebih. Musim hujan, yang menyebabkan
kelembaban
tinggi akan banyak kasus penyakit bermunculan, bila dibandingkan
pada
musim kemarau. Faktor utama menjaga serangan penyakit adalah
bagaimana
dapat mengendalikan kelembaban lingkungan. Melakukan
penyemprotan
dengan fungisida secara rutin saat musim hujan. Menjaga
kebersihan di dalam
kebun maupun disekitarnya, hindarkan terjadinya
genangan-genangan air
setelah hujan.
http://id.wikipedia.org/wiki/Monokotil
-
6
Popularitas Anggrek sangat tinggi dilihat dari proses produksi
tanaman
Anggrek yang stabil dan terus meningkat, oleh karena itu dalam
membuat alat
ini dapat diharapkan dapat meningkatkan produksi anggrek dan
lebih banyak
petani anggrek yang tidak khawatir akan penyebaran penyakit
akibat
terlambatnya proses penanganan anggrek yang sakit. Dari data
yang didapat
dari Badan Pusat Statistika dapat dilihat total produksi anggrek
dari tahun
2008-2017. (Statistik, 2017).
Gambar 2. 1 Data produksi anggrek 2008-2017 (Statistik,
2017)
Jenis penyakit pada anggrek sangat beragam dan juga terjadi pada
semua
bagian tanaman anggrek pada Tugas Akhir ini proses klasifikasi
penyakit
yang akan dilihat adalah yang terjadi pada daun anggrek dan
tertuju pada 3
penyakit yaitu penyakit hama spider mites (spider mites pest),
baktreri titik
hitam ( Bacterial Black Spot) dan Cercospora. Pada 3 penyakit
tersebut
kemudian dijadikan tujuan utama dari proses klasifikasi dalam
Tugas Akhir
ini. Berikut adalah data tentang ketiga penyakit yang didapat
dari proses
dalam lingkungan yang sesuai dan ideal untuk tumbuhnya penyakit
tersebut.
1. Spider mites pest
Spider mites pest adalah Spesies tungau yang merupakan hama
pada anggrek yang dibudidayakan umumnya jatuh ke dalam dua
kategori
utama, tungau laba-laba, dan tungau datar. Yang terakhir ini
juga disebut
tungau laba-laba palsu, tetapi nama tungau datar lebih disukai
karena
deskriptif yang akurat dan menghindari kebingungan dengan tungau
laba-
15309964
16205949
14050445
15490256
20727891
20277672
19739627
21514789
19978078
20045577
0
5000000
10000000
15000000
20000000
25000000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
pertumbuhan produksi orchidaceae
-
7
laba. Ada spesies tungau hama lain, tetapi mereka umumnya
kurang
penting.
Tungau laba-laba yang paling umum dikenal sebagai hama
anggrek yang persisten adalah tungau laba-laba dua-bintik yang
umum
(Tetranychus urticae),. Tungau laba-laba berwarna hijau
kekuning-
kuningan dan biasanya dengan dua area gelap besar di kedua sisi
tubuh
dengan panjang sekitar pertengahan. Mereka adalah spesies aktif
yang
mudah terlihat berkeliaran di tanaman. Tungau laba-laba menerima
nama
mereka karena anyaman sutra yang mereka hasilkan, bukan karena
mereka
mungkin tampak seperti laba-laba kecil. Dua bintik ini juga
dikenal
dengan nama-nama umum lainnya, termasuk "tungau laba-laba
merah"
karena bentuk musim dingin berwarna oranye-merah. Namun, ada
kemungkinan bahwa dalam beberapa kasus bentuk merah dari dua
bercak
tersebut sebenarnya adalah tungau laba-laba carmine. Kedua
spesies
bersifat global, memakan banyak jenis tanaman (polifag), dan
mudah
ditransportasikan ke berbagai jenis tanaman. (Paul J. Johnson,
2008)
Gambar 2. 2 Spider mites (Paul J. Johnson, 2008)
Pada Gambar 2.2 adalah hama yang menyerang pada tanaman
anggrek. Pada tanaman yang diserang oleh tanaman anggrek akan
terjadi
perubahan fisik pada daun anggrek yaitu pada permukaan daun
anggrek
terutama pada bagian bawah akan terasa kasar dan berwarna putih
hingga
kecokelatan seperti pada gambar 2.3
-
8
Gambar 2. 3 Spider mites pest (Paul J. Johnson, 2008)
2. Black spot
Black spot pada anggrek merespon dengan cepat terhadap
sesuatu yang salah di lingkungan mereka. Bintik hitam adalah
salah satu
tanda masalah. Langkah pertama dalam mengobati bintik-bintik
hitam
pada daun anggrek Anda adalah mendiagnosis masalahnya. Bercak
daun
juga bisa menandakan penyakit bakteri atau jamur. Bintik daun
bakteri
cukup umum di antara anggrek, dan dapat menjadi agresif dan
berbahaya.
Demikian pula, gangguan jamur dan menyebabkan bercak daun,
terutama
jika tanaman dibiarkan terkena kelembaban pada malam yang
dingin.Kecuali jika tanaman itu berharga, pendekatan terbaik
adalah
membuangnya, karena penyakit ini sangat menular dan akan
menyebar
dari satu tanaman ke tanaman lainnya dari percikan (Dummer,
2017). Pada
gambar 2.4 dapat dilihat bahwa tanaman tersebut mempunyai
penyakit
black spot yang disebabkan oleh jamur (fungal)
Gambar 2. 4 Black Spot (Dummer, 2017)
-
9
3. Cercospora
Penyakit bercak daun serkpora dari Dendrobium spp. telah
dilaporkan di Florida, Thailand, dan sebagian besar wilayah
tropis di
dunia di mana dendrobium ditanam. Ini paling sering terjadi di
Florida
selatan dan telah signifikan dalam produksi dendrobium. Spesies
patogen
daun cercospora lainnya kadang-kadang ditemukan pada genera
anggrek
lain, termasuk Angraceum, Cattleya, Odontoglossum,
Brasavola,
Broughtonia, Epidendrum, dan Schomburgkia. Lesi daun pada
Dendrobium pertama kali dicatat pada permukaan bawah daun
sebagai
bintik-bintik cekung kuning pucat, dengan diameter 1 sampai 3
mm.
Seiring waktu, bintik-bintik terus membesar dalam pola melingkar
atau
tidak teratur dan akhirnya dapat menutupi seluruh bagian bawah
daun.
Kemudian bintik-bintik menjadi sedikit cekung dan ungu-hitam
dengan
margin yang tersisa berwarna kuning. Setelah munculnya
bintik-bintik
pada permukaan daun yang lebih rendah, area hijau kuning pucat
yang
sesuai dapat dilihat pada permukaan daun bagian atas. Akhirnya
bintik-
bintik berubah menjadi keunguan-hitam atau hitam. Daun yang
terinfeksi
berat menghilang. Masa basah daun yang terlalu lama harus
dihindari.
Chlorothalonil dan thiophanate-methyl diberi label untuk
mengontrol
bercak daun serkpora pada anggrek di Amerika Serikat. Hasil dari
uji
fungisida cercospora yang dilakukan pada tahun 2005
menunjukkan
bahwa BASF 516 04 F (pycadostrobin + boscalid) 38% WG pada 340,2
g
per 379 L air dan pyraclostrobin 20% WG pada 226,8 g per 379 L
air
secara signifikan efektif. (ROBERT T. MCMILLAN, 2008)
Gambar 2. 5 Cercospora pada anggrek
-
10
2.2 Dasar Teori
2.2.1 Model Warna RGB
Model warna RGB adalah model warna yang paling umum
digunakan
pada pengolahan citra. RGB adalah adalah suatu model warna yang
terdiri
dari 3 buah warna yaitu: Red, Green, dan Blue yang kemudian
ditambahkan berbagai komposisi untuk menghasilkkan warna baru.
Pada
Gambar 2.6 menunjukkan model warna RGB.
Gambar 2. 6 Model Warna RGB
Citra RGB disusun dari tiga buah kanal warna primer yaitu
Merah
(Red), Hijau (Green) dan Biru (Blue). Setiap kanal penyusun
warna RGB
berisikan intensitas warnanya dalam skala 8bit atau range nilai
antara 0
hingga 255. Pada tiap piksel elemen sebuah citra, berisikan
perpaduan
ketiga warna tersebut. Seperti pada gambar 2.6 warna putih,
perpaduan
ketiganya adalah pada nilai maksimal (255,255,255) sedangkan
untuk
warna hitam, perpaduan warna ketiganya berada pada nilai
minimal
(0,0,0). Dari ketiga perpaduan warna ini didapatkan 16 juta
warna variasi
(Khumaidi, et al., 2017 dalam Nazar, 2018).
2.2.2 Neural Network
Neural network merupakan bagian dari sistem kecerdasan buatan
yang
digunakan untuk memproses informasi yang didesain dengan
menirukan
cara kerja otak manusia dalam menyelesaikan masalah dengan
melakukan
proses belajar melalui perubahan bobot sinapsisnya (Norvig,
1995). Neural
Network sendiri merupakan replika dari sistem syaraf yang
terdapat pada
sistem otak manusia. Dalam proses kerjanya, otak manusia disusun
dari
berbagai miliaran neuron dimana masing-masing neuron
tersebut
-
11
terhubung pada puluhan ribu neuron yang lain. Suatu neuron
tersusun atas
3 komponen utama, yaitu:
1. Dendrit merupakan saluran sinyal input yang kekuatan dari
koneksinya
kepada inti sel dipengaruhi oleh sebuah bobot (Weight).
2. Badan Sel adalah tempat proses komputasi sinyal input
berbobot untuk
menghasilkan sinyal output yang kemudian akan dikirimkan
kepada
neuron.
3. Axon adalah bagian yang mengirimkan sinyal output kepada
neuron
lain yang terhubung pada neuron.
Gambar 2. 7 Neuron Secara Biologi pada Neural Network (Hakim,
2017)
Dapat dilihat pada Gambar 2.7 Hubungan neuron secara biologi
dan neuron pada neural network. Pada model neural network,
dendrit
direpresentasikan sebagai input dimana merupakan informasi
yang
diperlukan oleh neural network dalam menyelesaikan masalah
yang
diberikan. Sedangkan badan sel merupakan tempat melakukan
proses
perhitungan komputasi. Selanjutnya hasil dari proses perhitungan
yang
dilakukan pada badan sel akan dikeluarkan pada output yang
merupakan
representasi dari axon.
Pada umumnya jaringan syaraf tiruan memiliki tiga lapisan,
yaitu
Input layer, hidden layer, dan Output layer. Berikut penjelasan
mengenai
layer pada NN.
1. Input layer
Input layer berisi neuron-neuron yang masing-masing
menyimpan
sebuah nilai masukan yang tidak berubah pada fase latih dan
hanya
dapat berubah jika diberikan nilai masukan baru. Neuron pada
lapisan
ini tergantung pada banyaknya Input dari suatu pola.
-
12
2. Hidden layer
Lapisan ini tidak pernah muncul sehingga dinamakan hidden
layer.
Akan tetapi semua proses pada fase pelatihan dan fase
pengenalan
dijalankan di lapisan ini. Jumlah lapisan ini tergantung dari
arsitektur
yang akan dirancang, tetapi pada umumnya terdiri dari satu
lapisan
hidden layer.
3. Output layer
Output layer berfungsi untuk menampilkan hasil perhitungan
sistem oleh fungsi aktivasi pada lapisan hidden layer
berdasarkan Input
yang diterima. Neural network ditentukan oleh tiga hal, yaitu
pola
hubungan antar neuron yang disebut jaringan. Metode untuk
menentukan bobot penghubung yang disebut metode Training /
learning / algoritma, dan fungsi aktivasi atau fungsi transfer.
Salah satu
arsitektur NN yang sangat populer adalah multi layer
feedforward
networks. Secara umum, jaringan seperti ini terdiri dari
sejumlah unit
neuron sebagai lapisan Input, satu atau lebih lapisan
simpul-simpul
neuron komputasi hidden (lapisan tersembunyi), dan sebuah
lapisan
simpul-simpul neuron komputasi Output. Sinyal Input
dipropagasikan
kearah depan (arah lapisan Output), lapisan demi lapisan. Jenis
jaringan
ini adalah hasil generalisasi dari arsitektur perceptron satu
lapisan, jadi
biasa disebut sebagai multi layer perceptron (MLP).
Propagasi balik (ke arah lapisan Input) terjadi setelah
jaringan
menghasilkan Output yang mengandung Error. Pada fase ini
seluruh
bobot synaptic (yang tidak memiliki aktivasi nol) dalam jaringan
akan
disesuaikan untuk mengkoreksi/memperkecil Error yang terjadi
(Error
correction rule). Untuk pelatihan jaringan, pasangan fase
propagasi ke
depan dan balik dilakukan secara berulang untuk satu set data
latihan,
kemudian diulangi untuk sejumlah epoch (satu sesi lewatan
untuk
seluruh data latihan dalam sebuah proses pelatihan jaringan)
sampai
Error yang terjadi mencapai batas kecil toleransi tertentu atau
nol.
MLP terdiri dari beberapa unit pemroses (neuron) seperti
pada
Gambar 2.8, yang terhubung dan mempunyai beberapa masukan
serta
-
13
memiliki satu atau beberapa Output. Perceptron digunakan
untuk
menghitung jumlah nilai perkalian penimbang dan masukan dari
parameter yang kemudian dibandingkan dengan nilai threshold,
jika
keluaran lebih besar dari threshold maka keluaran adalah
satu,
sebaliknya adalah nol (Mauridhi Hery, 2006).
Inp
uts
Input layer
Hidden layer
Output layer
Ou
tpu
ts
Gambar 2. 8 Struktur Multi Layer Perceptron (Nazar, 2018)
Pernyataan ini merupakan hasil proses pelatihan yang dalam
bentuk
bahasanya adalah pernyataan iya atau tidak. Secara matematis
dapat
ditulis dengan persamaan seperti pada Persamaan 2.1:
Jumlah perkalian penimbang dan paramater masukan adalah:
Dengan:
= Input
= sinyal masukan
= penimbang
Dari Persamaan 2.1 Bila I > T maka keluaran O = 1, dengan
T
adalah threshold. Pelatihan pada perceptron dilakukan dengan
merubah
nilai penimbangnya sehingga sesuai dengan kebutuhan,
dilakukan
dengan membandingkan keluaran dari JST dengan targetnya,
proses
tersebut dapat dituliskan pada Persamaan 2.2
( )
Dengan:
= target
= bilangan konstan
= Output
-
14
Proses diatas dijalankan pada setiap neuron yang ada pada
setiap
layer sampai penimbang tersebut sesuai dengan yang diinginkan.
Nilai
awal penimbang adalah bilangan kecil yang diambil secara acak
(Nazar,
2018).
Pada tugas akhir ini NN digunakan pelatihan dan Testing
untuk
klasifikasi penyakit. Yang dimana setelah proses konvolusi
dan
subsampling selesai, proses akhir akan dikombinasikan dengan
NN
untuk mendapatkan nilai hidden layer.
2.2.3 Convolutional Neural Network
Convolutionalal Neural Network (CNN) adalah pengembangan
dari
Multilayer Perceptron (MLP) yang didesain untuk mengolah data
dua
dimensi. Convolutional Neural Network termasuk dalam jenis
Deep
Neural Network karena kedalaman jaringan yang tinggi dan
banyak
diaplikasikan pada data citra. Pada kasus klasifikasi citra, MLP
kurang
sesuai untuk digunakan karena tidak menyimpan informasi spasial
dari
data citra dan menganggap setiap piksel adalah fitur yang
independen
sehingga menghasilkan hasil yang kurang baik (I Wayan Suartika
E. P,
2016).
Secara teknis, CNN adalah sebuah arsitektur yang dapat dilatih
dan
terdiri dari beberapa tahap. Masukan (input) dan keluaran
(output) dari
setiap tahap adalah terdiri dari beberapa array yang biasa
disebut feature
map. Convolutional neural network sendiri adalah perpaduan
antara
konvolusi citra untuk proses ekstraksi feature, dan neural
network untuk
klasifikasi. Berikut adalah jaringan arsitektur Convolutional
Neural
Network :
-
15
Gambar 2. 9 Arsitektur Convolutional Neural Network
Berdasarkan aristektur LeNet5 (Stanford, 2016), terdapat 4
macam
layer utama pada sebuah CNN yaitu Convolutional layer, relu
layer,
subsampling layer, dan fully connected layer. Berikut ini adalah
penjelasan
mengenai masing-masing layer.
1. Convolutional Layer
Convolutional Layer melakukan operasi konvolusi pada output
dari
layer sebelumnya. Layer tersebut adalah proses utama yang
mendasari
sebuah CNN. Konvolusi adalah suatu istilah matematis yang
berati
mengaplikasikan sebuah fungsi pada output fungsi lain secara
berulang.
Dalam pengolahan citra, konvolusi berati mengaplikasikan
sebuah
kernel (kotak kuning) pada citra disemua offset yang
memungkinkan
seperti yang ditunjukkan pada Gambar 2.10 Kotak hijau secara
keseluruhan adalah citra yang akan dikonvolusi. Kernel bergerak
dari
sudut kiri atas ke kanan bawah. Persamaan 2.3 berikut adalah
persamaan Konvolusi.
(2.3)
Tujuan dilakukannya konvolusi pada data citra adalah untuk
mengekstraksi fitur dari citra input. Konvolusi akan
menghasilkan
transformasi linear dari data input sesuai informasi spasial
pada data.
Bobot pada layer tersebut menspesifikasikan kernel konvolusi
yang
digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan
input
pada CNN.
-
16
Gambar 2. 10 Operasi Konvolusi (I Wayan Suartika E. P, 2016)
2. ReLu Layer
ReLu atau rectified linear unit layer, pada layer ini dapat
diibaratkan seperti thresholding atau sama halnya seperti fungsi
aktivasi
pada jaringan syaraf tiruan. Dengan tujuan untuk menjaga hasil
citra
proses konvolusi berada pada domain definit positif. Angka
yang
dihasilkan harus bernilai positif dikarenakan fungsi aktivasi
pada
jaringan syaraf tiruan propagasi balik pada penelitian ini
menggunakan
fungsi relu. Sehingga setiap angka hasil prospppes konvolusi
yang
bernilai negatif akan terlebih dahulu melalui proses ReLu
yang
menjadikan nilai negatif bernilai sama dengan nol.
(2.4)
3. Subsampling Layer
Subsampling adalah proses mereduksi ukuran sebuah data
citra.
Dalam pengolahan citra, subsampling juga bertujuan untuk
meningkatkan invariansi posisi dari fitur. Dalam sebagian besar
CNN,
metode subsampling yang digunakan adalah max pooling. Max
pooling
membagi output dari Convolutional layer menjadi beberapa grid
kecil
lalu mengambil nilai maksimal dari setiap grid untuk menyusun
matriks
citra yang telah direduksi seperti yang ditunjukkan pada Gambar
2.11
Grid yang berwarna merah, hijau, kuning dan biru merupakan
kelompok grid yang akan dipilih nilai maksimumnya. Sehingga
hasil
dari proses tersebut dapat dilihat pada kumpulan grid
disebelah
kanannya. Proses tersebut memastikan fitur yang didapatkan akan
sama
meskipun objek citra mengalami translasi (pergeseran).
-
17
Gambar 2. 11 Operasi Max Pooling (I Wayan Suartika E. P,
2016)
Menurut Springenberg (J. T. Springenberg, 2015), penggunaan
pooling layer pada CNN hanya bertujuan untuk mereduksi ukuran
citra
sehingga dapat dengan mudah digantikan dengan sebuah
Convolutional
layer dengan stride yang sama dengan pooling layer yang
bersangkutan.
4. Fully Connected Layer
Layer tersebut adalah layer yang biasanya digunakan dalam
penerapan MLP dan bertujuan untuk melakukan transformasi
pada
dimensi data agar data dapat diklasifikasikan secara linear.
Setiap
neuron pada Convolutional layer perlu ditransformasi menjadi
data satu
dimensi terlebih dahulu sebelum dapat dimasukkan ke dalam
sebuah
fully connected layer. Karena hal tersebut menyebabkan data
kehilangan informasi spasialnya dan tidak reversibel, fully
connected
layer hanya dapat diimplementasikan di akhir jaringan.
Convolutional
layer dengan ukuran kernel 1 x 1 melakukan fungsi yang sama
dengan
sebuah fully connected layer namun dengan tetap
mempertahankan
karakter spasial dari data (I Wayan Suartika E. P, 2016).
2.2.4 Python
Python adalah bahasa pemrograman model skrip (scripting
language)
yang berorientasi obyek. Python dapat digunakan untuk
berbagai
keperluan pengembangan perangkat lunak dan dapat berjalan di
berbagai
platform sistem operasi. Python merupakan bahasa pemrograman
yang
freeware atau perangkat bebas dalam arti sebenarnya, tidak ada
batasan
dalam penyalinannya atau mendistribusikannya. Lengkap dengan
source
-
18
codenya, debugger dan profiler, antarmuka yang terkandung di
dalamnya
untuk pelayanan antarmuka, fungsi sistem, GUI (antarmuka
pengguna
grafis), dan basis datanya (Triasanti, 2001).
Beberapa fitur yang dimiliki Python adalah:
1. Memiliki kepustakaan yang luas dan dalam distribusi Python
telah
disediakan modul-modul.
2. Memiliki tata bahasa yang jernih dan mudah dipelajari.
3. Memiliki aturan layout kode sumber yang memudahkan
pengecekan,
pembacaan kembali dan penulisan ulang kode sumber.
4. Berorientasi objek.
5. Dapat dibangun dengan Bahasa Python maupun C/C++.
2.2.5 OpenCV
OpenCV (Open Source Computer Vision) adalah library dari
fungsi
pemrograman untuk realtime visi komputer. OpenCV menggunakan
lisensi
BSD dan bersifat gratis baik untuk penggunaan akademis
maupun
komersial. OpenCV dapat digunakan dalam bahasa pemrograman C,
C++,
Python, Java, dan sebagainya. OpenCV dapat digunakan pada
sistem
operasi Windows, Linux, Android, iOS dan Mac OS. OpenCV
memiliki
lebih dari 2500 algoritma yang telah dioptimalkan (Lazaro,
Buliali, &
Amaliah, 2017).
-
19
BAB 3
METODOLOGI PENELITIAN
Diagram Alir pada Tugas Akhir ini ditunjukkan pada Gambar 3.1
berikut
ini.
Mulai
Identifikasi
Masalh dan
Studi Literatur
Analisa Kebutuhan
Sistem
Uji Coba
Berhasil?
Selesai
Perancangan Sistem
Perancangan Desain
Mekanik
Perancangan Hardware
Ya
Tidak
Perancangan Software
Gambar 3. 1 Diagram Alir Penelitian
-
20
3.1 Identifikasi Masalah dan Studi Literatur
Tahap identifikasi awal merupakan langkah awal dalam
pelaksanaan
penelitian sehingga dapat dilakukan identifikasi permasalahan
serta tujuan
yang akan dicapai. Adapun isi dari tahap ini adalah sebagai
berikut:
1. Identifikasi masalah
Pada tahap ini dilakukan identifikasi masalah yaitu perlunya
identifikasi klasifikasi pada penyakit yang tertuju pada daun
tanaman
anggrek
2. Penetapan tujuan dan rumusan manfaat penelitian
Pada tahap ini dilakukan penetapan tujuan berdasarkan
rumusan
masalah yang menjadi tujuan dari penelitian ini. Rumusan masalah
pada
penelitian ini yaitu membuat klasifikasi penyakit pada
orchidaceae
menggunakan pengolahan citra dengan metode Convolutional
neural
network (CNN).
3. Studi pustaka
Studi literatur akan dilakukan untuk pemahaman konsep, teori,
dan
teknologi yang akan digunakan dalam pembuatan aplikasi. Pada
bagian ini
akan dibahas tentang literatur Convolutional neural network,
pembuatan
aplikasi Python.
3.2 Analisa Kebutuhan Sistem
Analisa kebutuhan sistem merupakan langkah untuk mengetahui
kebutuhan-kebutuhan sistem yang akan dibangun dengan
memperhitungkan
dan memperinci kebutuhan yang diperlukan pada sistem yang akan
dibuat.
Pada tahap ini dilakukan analisa terhadap data-data dan
teknologi yang
diperlukan. Pada teknologi yang dibutuhkan dapat meliputi:
1. Kamera smartphone
2. PC (Personal Computer)
Dengan tersedianya kebutuhan sistem, maka akan mempermudah
dalam proses perancangan sistem yang akan dibuat.
-
21
3.3 Desain dan Perancangan Sistem
Setelah mengetahui kebutuhan sistem, dasar-dasar ilmu serta
teknologi yang akan digunakan, maka langkah selanjutnya adalah
melakukan
perancangan dan desain dari sistem yang akan dikembangkan,
meliputi:
3.3.1 Perancangan Sistem
Pada Gambar 3.2 akan menjelaskan tentang gambaran umum CNN
yang akan dibuat.
Objek Ambil Citra RGB Konvolusi
Maxpooling
Training
dengan Neural
Network
Output
ProcessingPre-processing
Gambar 3. 2 Gambaran Umum CNN
Pada gambaran umum ini, ada 3 tahap, yaitu Pre-Processing,
Processing, dan Classifying. Pada tahap Pre-Processing Input
citra berupa
gambar RGB. Kemudian masuk ketahap utama, yaitu tahap
processing.
Pada tahap processing, Input citra akan masuk tahap awal, yaitu
proses
konvolusi. Proses konvolusi akan membuat array baru atau Input
baru.
Setelah itu masuk proses maxpooling, proses ini berfungsi
untuk
mempercepat proses komputasi pada program dan juga
menghilangkan
noise pada Input citra yang telah diambil. Setelah itu, masuk ke
proses inti
yaitu proses Training dengan Neural Network (NN). Pada proses
ini akan
menghasilkan bobot yang akan digunakan untuk klasifikasi
Output.
Pada Gambar 3.3, tahap awal pada sistem adalah pengambilan
pada
gambar daun lalu tahap selanjutnya adalah proses algortima
CNN
memproses data sehingga dapat mengklasifikasikan yaitu penyakit
hama
spider mites (spider mites pest), titik hitam (Black Spot),
Cercospora dan
sehat.
-
22
MULAI
BOBOT DAN
KERNEL CNN
KAMERA
AKTIF
CAPTURE
TANAMAN
ALGORITMA CNN
MEMPROSES DATA
DETEKSI DAUN
TANAMAN
APAKAH
TANAMAN
SUDAH
TERKLARIFIKA
SI?
KLASIFIKASI
PENYAKIT
SELESAI
YA
TIDAK
Gambar 3. 3 Flowchart Alur Sistem
3.3.2 Diagram Blok Sistem
CAMERA PCKLASIFIKASI(INTERFACE)
Gambar 3. 4 Rancangan Desain Kerja Hardware
Rancangan hardware pada Gambar 3.4, dijelaskan bahwa sistem
ini
mempunyai 1 input yaitu kamera pada smartphone. Disini juga
terdapat 4
-
23
ountput pada proses klasifikasi yaitu penyakit hama spider mites
(spider
mites pest), titik hitam (Black Spot), Cercospora dan sehat.
3.3.3 Rancangan Spesifikasi Sistem
1. Laptop dengan spesifikasi sebagai berikut
- Windows 10 64bit
- Ram 8 Gigabyte DDR4
- GPU Radeon 520 AMD
- Intel Core i5 7200U
2. Smartphone berbasis Android dengan spesifikasi sebagai
berikut
- Android operating system
- Base Android 9 version (Pie)
- Ram 3 Gigabyte DDR4
- 13 Megapixel Camera
- Level API 28
3.4 Arsitektur CNN
Tugas Akhir ini difokuskan untuk mendapatkan sistem otomatis
untuk
klasifikasi penyakit pada tanaman anggrek. Selain itu, tujuan
utama dari
penelitian ini adalah untuk mendapatkan hasil klasifikasi dari
proses CNN.
Pada proses umum CNN, proses ini memiliki 3 tahap, yaitu
pre-processing,
processing, dan classifying.
Arsitektur metode Convolutional Neural Netwok dengan proses
pre-
processing terdiri dari 2 proses, yaitu pembentukan dataset.
Kemudian proses
ke 2 adalah processing yang terdiri dari konvolusi citra, max
pooling, training
NN, dan softmax. Untuk proses yang terakhir adalah classifying
yang
mempunyai 1 proses yaitu penentuan output.
Sebelum pembuatan program CNN, penulis terlebih dahulu
membuat
arisitektur CNN. Arsitektur ini digunakan untuk dasar pembuatan
program
CNN. berikut adalah gambaran arsitektur CNN. Pada arsitektur
ini, terdapat
input image yang memiliki resolusi sebesar 150 x 110 x 3 dalam
bentuk RGB.
Setelah itu input image ini akan masuk ke proses konvolusi.
Proses ini akan
-
24
melibatkan kernel atau filter yang berukuran 3 x 3 x 32 yang
artinya filter ini
mempunyai ukuran pixel 3 x 3 sebanyak 32 filter. Setelah
diproses melalui
program Python, proses ini akan menghasilkan input image baru
yang
dinamakan feature maps. Feature maps ini mempunyai resolusi yang
lebih
kecil dibandingkan image sebelumnya tetapi mempunyai kedalaman
atau
depth yang bertambah. Resolusi yang dihasilkan sebesar 148 x 108
x 32.
Hasil proses konvolusi tadi akan masuk ke tahap selanjutnya,
yaitu
tahap maxpooling. Proses maxpooling adalah suatu proses yang
dimana citra
akan diambil nilai terbesarnya dengan ketentuan pixel tertentu.
Pada tahap ini
pixel yang digunakan sebesar 2 x 2. Jadi, setiap 2 x 2 pixel
pada feature maps
akan diambil nilai terbesarnya. Hasilnya, resolusi pada citra
sebelumnya akan
berubah menjadi 74 x 54 x 32. Jika proses maxpooling telah
selesai, citra ini
akan memasuki konvolusi lagi karena pada program penelitian ini,
proses
konvolusi dengan filter dilakukan sebanyak 2 kali. Hal ini
dilakukan untuk
mendapatkan hasil prediksi yang maksimal.
Citra yang dihasilkan setelah melewati proses konvolusi sebanyak
2
kali mempunyai resolusi sebesar 36 x 26 x 64. Setelah itu,
barulah masuk
pada tahap berikutnya yaitu tahap flatten. Tahap ini merupakan
proses dimana
input image yanng telah didapatkan akan diubah menjadi 1 dimensi
untuk di
training dengan neural network (NN). Hasil dari proses flatten
adalah sebesar
59.904 x 1. Nilai ini yang akan menjadi vektor input pada proses
neural
network.
3.5 Contoh Perhitungan CNN
Untuk dapat lebih memahami cara kerja dari proses konvolusi,
peneliti
akan menggunakan sampel deret angka pada input dikarenakan
keterbatasan
penulisan dengan ukuran 144 x 176 maka peneliti menggunakan
sampel deret
angka pada input dengan ukuran 10 x 10 dan menggunakan gaussian
karnel
dengan ukuran 3x3.
-
25
Gambar 3. 5 Gambar berukuran 10 x 10 sebelum dilakukan
konvolusi
Pada Gambar 3.5 adalah gambar yang berukuran 10 x 10. Seperti
yang
dapat kita lihat terdapat gambar berupa symbol plus (+).
Peneliti akan
mengubah gambar diatas menjadi sebuah array yang berukuran 10 x
10.
Gambar 3. 6 Gambar berukuran 10 x 10 dalam bentuk array
Adapun gaussian karnel yang berukuran 3 x 3 yang akan
digunakan
untuk konvolusi dapat dilihat pada Gambar 3.7.
0.1096 0.1118 0.1096
0.1118 0.1141 0.1118
0.1096 0.1118 0.1096
Gambar 3. 7 Gaussian karnel 3 x 3.
255 255 255 255 255 255 255 255 255 255
255 255 255 255 255 255 255 255 255 255
255 255 255 255 0 0 255 255 255 255
255 255 255 255 0 0 255 255 255 255
255 255 0 0 0 0 0 0 255 255
255 255 0 0 0 0 0 0 255 255
255 255 255 255 0 0 255 255 255 255
255 255 255 255 0 0 255 255 255 255
255 255 255 255 255 255 255 255 255 255
255 255 255 255 255 255 255 255 255 255
-
26
Dengan menggunakan filter 3x3 dengan strided atau langkah
yang
digunakan dalam perhitungan konvolusi tersebut adalah 1 maka
proses
perhitungan konvolusi tersebut dapat divisualisasikan seperti
pada Gambar
3.13.
(A)
(B)
(C)
Gambar 3. 8 Posisi proses konvolusi, (A) posisi 1, (B) posisi 2,
(C) Posisi 3.
-
27
Proses konvolusi berlangsung sampai sudut kanan paling
bawah.
Adapun perhitungan manual dapat dilihat pada keterangan dibawah
ini :
-
-
-
-
-
Pada proses perhitungan manual akan menghasilkan sebuah array
baru
yang berukuran 8 x 8. Untuk nilai keseluruhan dapa dilihat pada
Gambar 3.9.
255 255 227 198 198 227 255 255
255 255 198 141 141 198 255 255
227 198 114 56 56 114 198 255
198 141 56 28 28 56 141 198
198 141 56 28 28 56 141 198
227 198 114 56 56 114 198 255
255 255 198 141 141 198 255 255
255 255 227 198 198 227 255 255
Gambar 3. 9 Hasil konvolusi menghasilkan feature maps berukuran
8 x 8
Setelah hasil konvolusi didapatkan, maka masuk ke proses
selanjutnya
yaitu proses maxpooling. Proses maxpooling hampir sama dengan
proses
konvolusi. Proses maxpooling akan mengambil nilai tertinggi dari
suatu input
citra. Dalam penerapan pada sistem ini, proses maxpooling
akan
-
28
menggunakan pixel 2x2. Setiap 2x2 pixel pada Input citra akan
diambil nilai
pixel tertingginya. Pengambilan nilai tertinggi pada pixel akan
terus bergeser
hingga seluru pixel pada suatu citra telah habis. Untuk lebih
jelasnya, ilustrasi
akan ditampilkan pada Gambar 3.10.
Gambar 3. 10 Hasil Max pooling 4 x 4
Setelah proses maxpooling ini selesai, maka masuk ke proses
selannjutnya. Yaitu proses flattening. Proses ini merupakan
proses terpenting
karena proses ini akan menghasilkan nilai yang akan digunakan
untuk proses
Training dengan neural network. Proses ini berguna untuk
mempermudah
komputasi dengan cara merubah array yang berdimensi n x m
menjadi 1
deret bilangan sebagai Vektor Input. Mengacu pada contoh
sebelumnya, hasil
maxpooling 4 x 4 akan berubah menjadi 16 x 1. Untuk memperjelas
hasil
flattening penulis akan menampilkan hasilnya pada Gambar
3.11.
Gambar 3. 11 Proses Flattening
Berdasarkan pada Gambar 3.11, proses flattening pada contoh
ini
menghasilkan array berukuran 16 x 1 berupa Vektor Input. Vektor
Input ini
-
29
akan di Training dengan hidden neuron untuk mendapatkan bobot
yang akan
digunakan untuk klasifikasi Output yang diinginkan. Sehingga
setelah proses
flattening ini akan diketahui output yaitu klasifikasi penyakit
pada tanaman
orchidaceae
-
30
“Halaman Sengaja Dikosongkan”
-
31
BAB 4
HASIL DAN PEMBAHASAN
4.1. Pengujian Hardware
Pengujian Hardware pada penelitian ini diantaranya sebagai
berikut:
4.1.1 Pengujian Kamera
Untuk melanjutkan ke tahap selanjutnya, dibutuhkan adanya
pengujian sensor yang akan dipasang pada sistem ini. Berikut ini
adalah
hasil pengujian sensor pada plan Tugas Akhir ini. Pada sub bab
ini, berisi
tentang pengujian kamera. Pada sistem ini, kamera yang digunakan
adalah
kamera kamera smartphone dengan resolusi 13 megapixel. Tahap
awal
adalah tes koneksi kamera terhadap PC. PC akan diberikan program
yang
akan membaca dan menampilkan video secara real-time. Jika
berhasil,
pengujian terhadap koneksi kamera telah selesai. Pada Gambar
4.1
merupakan hasil pengujian koneksi antara kamera dengan PC.
Gambar 4. 1 Hasil Pengujian Koneksi Kamera
4.2 Software
4.2.1. Tampilan Interface
Berdasarkan Gambar 4.2 merupakan desain interface python untuk
Tugas
Akhir ini. Gambar 4.2 bahwa user interface mempunyai 2 tombol
yaitu, buka
kamera dan exit, fungsi pada tombol buka kamera adalah untuk
menghubungkan
kamera pada smartphone ke PC, sehingga PC akan menampilkan apa
yang
kamera tangkap kemudian tombol exit berfungsi sebagai akses
untuk. Keluar
apilkasi.
-
32
Gambar 4. 2 Tampilan Interface
4.2.2 Pembentukan dan Pengambilan Dataset
Pada referensi dari berbagai penelitian tentang aplikasi
jaringan saraf
tiruan, tahap awal sebelum proses Training adalah pengambilan
atau
pembentukan dataset. Semua dataset dan citra yang diambil
mempunyai
resolusi yang sama, yaitu 150 x 110 piksel. Untuk penentuan
proporsi data
untuk keperluan Training diambil secara acak. Tabel 4.1 dan
Tabel 4.2
adalah hasil dari pengambilan dataset.
Tabel 4.1 Dataset Kategori Sehat
Dataset Kategori
Sehat
Tabel 4.2 Dataset Kategori penyakit
Dataset Kategori
Cercospora
Black spot
-
33
Spider Mites
4.2.3 Konvolusi Karnel
Konvolusi adalah salah satu proses filtering image yang
sering
dilakukan pada proses pengolahan citra. Pada penelitian ini,
konvolusi
citra yang dipakai adalah menggunakan konvolusi karnel berukuran
3x3
dan 3x3 dengan citra RGB berukuran 110 x 150. Pada tahap
konvolusi
citra, penulis melakukan konvolusi menggunakan karnel sebanyak
dua kali
untuk memperjelas citra sehingga akan di dapatkan citra yang
lebih detail.
Proses konvolusi pertama menggunakan citra RGB dengan ukuran 110
x
150 dengan 3 x 3 x 32 karnel yang menghasilkan array baru
berukuran 108
x 148. Konvolusi kedua citra RGB dengan ukuran 54 x 74 dengan 3
x 3 x
64 karnel yang menghasilkan array baru berukuran 52 x 72. Dari
proses
konvolusi pertama dihasilkan feature map dari citra gray dengan
ukuran
108 x 148 dan dari proses konvolusi kedua dihasilkan feature map
dari
citra RGB dengan ukuran 54 x 72. Pada Tabel 4.3 dan 4.4 dapat
dilihat
hasil dari citra RGB yang sudah melalui proses konvolusi.
Tabel 4.3 Hasil Konvolusi 1 Gambar
No. Katagori Gambar asli Feature Maps
1 Spider Mites
KO
NV
OL
US
I 1
110 x 150
108 x 148
2 black spot
110 x 150
108 x 148
-
34
3 Sehat
110 x 150
108 x 148
4 Cercospora
110 x 150
108 x 148
Tabel 4. 4 Hasil Konvolusi Gambar 2
No. Katagori Gambar asli Feature Maps
1 black spot
KO
NV
OL
US
I 2
54 x 74
52 x 72
2 Sehat
54 x 74
52 x 72
3 Cercospora
54 x 74
52 x 72
-
35
4 black spot
54 x 74
52 x 72
4.2.4 Maxpooling
Max pooling citra adalah bagian dari proses reduksi. Pada
penelitian
ini dilakukan dua kali proses maxpooling. Dimana Maxpooling
pertama
menggunakan citra gray hasil konvolusi pertama berukuran 108 x
148
yang kemudian masuk pada tahap penyederhanaan setengah dari
ukuran
pixel. Penyederhanaanya dengan cara mengambil nilai terbesar
pada
matrix n x m secara berulang sebanyak 2x2 pixel. Sehingga akan
di
dapatkan setengah dari ukuran citra sebelumnya. Kemudian
Maxpooling
kedua menggunakan citra gray hasil konvolusi kedua dengan ukuran
52 x
72 yang akan melalui proses penyederhanaan seperti pada
proses
maxpooling pertama. Hasil dari proses maxpooling kedua yaitu
citra gray
dengan ukuran 26 x 36. Pada Tabel 4.5 dapat dilihat hasil
proses
maxpooling.
Tabel 4. 5 Hasil maxpooling 1
No. Katagori Feature Maps Maxpooling
1 black spot
MA
XP
OO
LIN
G 1
108 x 148
54 x 74
2 Sehat
108 x 148
54 x 74
-
36
3 Cercospora
108 x 148
54 x 74
4 Spider mites
108 x 148
54 x 74
Tabel 4. 6 Gambar Hasil Proses Maxpooling 2
No. Katagori Feature Maps Maxpooling
1 black spot
MA
XP
OO
LIN
G 2
52 x 72
26 x 36
2 Sehat
52 x 72
26 x 36
3 Cercospora
52 x 72
26 x 36
-
37
4 Spider mites
52 x 72
26 x 36
4.2.5 Training
Proses training dilakukan setelah proses konvolusi selesai.
Proses
dilakukan menggunakan aplikasi spyder dengan dibantu dengan
library
keras.io. keras adalah library untuk jaringan syaraf tingkat
lanjut dengan
skala komputasi yang besar atau deep learning. Import semua
library yang
diperlukan seperti dense yang merupakan variable deklarasi
untuk
menentukan jumlah hidden neuron pada hidden layer, activation
untuk
menentukan aktivasi yang digunakan. Flattening merupakan
merubah
output dari proses konvolusi yang berupa matriks menjadi sebuah
vector.
Fasilitas Convolution 2D sebagai proses konvolusi citra dengan
berbagai
karnel didalamnya serta Maxpool 2D untuk proses subsampling
dimana
matriks max pooling dapat diatur sesuai kebutuhan. Jenis
pembagian
dataset dan spesifikasinya dapat dilihat pada Tabel 4.7.
Tabel 4.7 Pembagian dataset dan spesifikasinya
X Data Training Data Validasi
Jumlah Data 2000 2000
Resolusi 110x150 110x150
Ruang warna RGB RGB
Terdapat beberapa parameter yang harus ditentukan seperti
jumlah
iterasi, jumlah iterasi yang digunakan pada penelitian ini
adalah 70.
Menggunakan single hidden layer neural network dengan jumlah
hidden
neuron pada hidden layer sebanyak 256 hidden neuron. Serta
fungsi
aktivasi yang digunakan yaitu relu. Jumlah vektor input dari
proses
subsampling terakhir yaitu 26 x 36 x 64 setelah melalui proses
flatten akan
berubah menjadi 59.904 Vektor output pada penelitian ini berupa
bilangan
-
38
biner dengan 4 vektor output. Untuk lebih jelasnya dapat dilihat
pada
Tabel 4.8.
Tabel 4.8 Vektor Output
Klasifikasi Vektor
Spider mites [ 1 0 0 0 ]
Black Spot [ 0 1 0 0 ]
Cercospora [ 0 0 1 0 ]
Sehat [ 0 0 0 1 ]
Demi memudahkan proses analisis data. Klasifikasi berupa
bilangan
biner dipakai untuk proses labeling pada vektor output baik
untuk label
testing dan label training.
Pada penelitian ini penulis mencoba beberapa optimizer
diantaranya
optimizer Adam, optimizer Adadelta, dan optimizer SGD dengan
menggunakan 256 hidden neuron. Pengujian ini sangat penting
sebagai
dasar keputusan untuk menggunakan optimizer adam. Proses
training
memiliki hasil accuracy dan loss yang berbeda-beda meskipun
nilai
accuracy dan loss yang dihasilkan tiap-tiap optimizer tidak
berbeda
signifikan. Akan tetapi hasil training tiap optimizer jelas
memiliki
perbedaan yang lumayan mencolok saat dilakukan testing.
1. Training dengan SGD Optimizer
Percobaan training pertama menggunakan RMSprop Optimizer
dengan konfigurasi sebagai berikut :
- Jumlah Epoch = 70
- Fungsi Aktivasi = relu
- Learning = 156 menit
- Hidden Neuron = 256
Dengan menggunakan konfigurasi seperti diatas, didapatkan
akurasi data validasi sebesar 23,33%. Adapun lebih jelasnya
dapat
dilihat grafik akurasi pada Gambar 4.3
-
39
Gambar 4. 3 Grafik training akurasi SGD Optimizer
Gambar 4.3 menunjukkan perbedaan akurasi antara hasil
training
dan validasi. Pada epoch 47 menunjukkan data akurasi untuk data
train
mengalami tingkat error yang cukup besar dan cenderung stabil
pada
error yang besar
Gambar 4. 4 Grafik training loss SGD Optimizer
Pada Gambar 4.4 nilai kesalahan untuk data training dimulai
pada
kisaran 12,36 untuk data train dan 12,3582 untuk data validasi
dan
mulai awal epoch hingga epoch ke 70 data train dan data
validasi
menghasilkan nilai yang tidak stabil. Data akhir hasil training
secara
detail menggunakan SGD Optimizer dapat dilihat pada Tabel
4.9.
Tabel 4.9 Data akhir hasil training RMSprop Optimizer
Acc. Train Loss Train Acc. Validasi Loss Validasi
Hasil Training 0.2330 12.3626 0.2333 12.3582
Kelebihan dari SGD Optimizer ini adalah waktu untuk proses
training lebih cepat namun hasil training pada epoch terakhir
cenderung
buruk.
-
40
2. Training dengan Adam Optimizer
Percobaan training ketiga menggunakan adam optimizer dengan
konfigurasi sebagai berikut :
- Jumlah Epoch = 70
- Fungsi Aktivasi = relu
- Learning = 210 menit
- Hidden Neuron = 256
Dengan menggunakan konfigurasi seperti diatas, didapatkan
akurasi data validasi sebesar 99,75. Adapun lebih jelasnya dapat
dilihat
grafik akurasi pada Gambar 4.5
Gambar 4. 5 Grafik training akurasi Adam Optimizer
Gambar 4.5 menunjukkan perbedaan akurasi antara hasil
training
dan validasi. Sedangkan nilai akurasi train sebesar 0.9770 dan
mulai
epoch ke 21 cenderung stabil dan terus meningkat
Gambar 4. 6 Grafik training loss Adam Optimizer
Berdasarkan Pada Gambar 4.6 nilai kesalahan untuk data
training
dimulai pada kisaran 0,998 pada epoch ke 55 sedangkan data
validasi
cenderung naik sangat stabil ketika memasuki epoch ke 21. Data
akhir
hasil training secara detail menggunakan Adam Optimizer dapat
dilihat
pada Tabel 4.10.
-
41
Tabel 4.10 Data akhir hasil training Adam Optimizer
Acc. Train Loss Train Acc. Validasi Loss Validasi
Hasil Training 0.9910 0.0386 0,9975 0,0059
Kelebihan dari Optimizer Adam ini adalah nilai akurasi
training
dan validasi yang dihasilkan lebih tinggi dibandingkan
dengan
optimizer SGD.
3. Training dengan Adadelta Optimizer
Percobaan training kedua menggunakan Adadelta Optimizer
dengan konfigurasi sebagai berikut :
- Jumlah Epoch = 70
- Fungsi Aktivasi = relu
- Learning = 268 menit
- Hidden Neuron = 256
Dengan menggunakan konfigurasi seperti diatas, didapatkan
akurasi data validasi sebesar 0,9962 dan data train sebesar
0.9810.
Adapun lebih jelasnya dapat dilihat grafik akurasi pada Gambar
4.7.
Gambar 4. 7 Grafik training akurasi Adadelta Optimizer
Berdasarkan Gambar 4.7 menunjukkan perbedaan akurasi antara
hasil training dan validasi tidak terlalu signifikan. Pada epoch
37
menunjukkan data akurasi untuk data train cenderung stabil
hingga
-
42
pada epoch ke 70. Sedangkan untuk data validasi mulai epoch ke
14
hingga epoch ke 35, nilai akurasi yang dihasilkan cenderung
stabil.
Gambar 4. 8 Grafik training loss Adadelta Optimizer
Berdasarkan Pada Gambar 4.8 pada grafik diatas dapat dilihat
bahwa mulai stabil pada epoch ke 20, namun di epoch ke 60 hingga
ke
65 menjadi tidak stabil. Data akhir hasil training secara
detail
menggunakan Adadelta Optimizer dapat dilihat pada Tabel
4.11.
Tabel 4.11 Data akhir hasil training Adadelta Optimizer
Acc. Train Loss Train Acc. Validasi Loss Validasi
Hasil Training 0.9830 0.1531 0,9975 0.0221
Kelebihan dari Adadelta Optimizer ini adalah nilai akurasi
training
yang dihasilkan lebih tinggi daripada SGD tetapi tidak lebih
besar dari
Adam Optimizer namun membutuhkan waktu training yang lama
yaitu
268 menit. Berdasarkan akurasi yang dihasilkan, maka penulis
menggunakan Adam Optimizer sebagai optimizer saat proses
training
data.
4.2.6 `Pengujian Data Real Time
Pengujian secara real time ini dilakukan dengan ambil gambar
dari
kamera smatphone. Pada tahap ini, merupakan tahap terakhir dan
tahap
pengujian secara keseluruhan. Pada pengujian data real time,
library yang
dibutuhkan juga harus sama seperti yang digunakan dalam
proses
Training. Jika tidak sama, maka akan terjadi Error yang membuat
data
atau sistem tidak berjalan.
-
43
Pada pengujian ini, nilai atau bobot yang telah didapatkan pada
proses
Training akan diterapkan pada plan yang telah dibuat. Pengujian
dilakukan
dengan gambar yang tidak masuk pada dataset.
Berikut merupakan hasil dari pengujian data real time dengan
Gambar tidak masuk dataset yang terintegrasi dengan sistem
akan
ditampilkan pada Tabel 4.12
Tabel 4.12 Hasil Klasifikasi pada penyakit spider mites Tidak
Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. Spider
Mites Benar
2. Spider
Mites
data/test_image/ebc619f9-2155-40ad-
b372-ece9ab0bc5a5.jpg
Bacterial Brown rot
Benar
3. Spider
Mites
data/test_image/b46a1e5e-22e9-4b81-
99a8-bd8f14d8d66a.jpg
Bacterial Brown rot
Benar
4. Spider
Mites Salah
5. Spider
Mites
data/test_image/3d6e44c3-e35d-4c22-
87f0-f61d67c12bcb.jpg
Bacterial Brown rot Benar
6. Spider
Mites
data/test_image/4a2f17db-8431-4f07-
890b-f609c346ec7d.jpg
Bacterial Brown rot
Benar
-
44
7. Spider
Mites
data/test_image/320018bc-16b4-4931-
a141-e63b2b34ac1d.jpg
Bacterial Brown rot
Benar
8. Spider
Mites
data/test_image/3f10c735-6ecc-4925-
9561-c93a24472e51.jpg
Bacterial Brown rot
Benar
9. Spider
Mites
data/test_image/IMG20190805130411.jpg
Bacterial Black Spot Salah
10. Spider
Mites
data/test_image/6ff65e0f-8406-4e60-
87f4-63788bf89faf.jpg
Bacterial Brown rot
Benar
Tabel 4.13 Hasil Klasifikasi black spot Tidak Masuk Dataset
No
.
Target Output Keteranga
n
Gambar
Capture
1. Black spot
Benar
2 Black spot
Benar
3 Black spot
data/test_image/IMG20190807110933
.jpg
Bacterial Brown rot Salah
4 Black spot
data/test_image/IMG20190807110852
_02.jpg
Bacterial Black Spot Benar
-
45
5 Black spot
data/test_image/IMG20190807110855
_02.jpg
Bacterial Black Spot
Benar
6. Black spot
data/test_image/IMG20190807110853
_03.jpg
Bacterial Black Spot Benar
7. Black spot
data/test_image/
IMG20190807110933_06.jpg
Bacterial Brown rot
Salah
8. Black spot
data/test_image/I
MG20190807110904_03.jpg
Bacterial Black Spot Benar
9. Black spot
data/test_image/
IMG20190807110846_01.jpg
Bacterial Black Spot Benar
10. Black spot
data/test_image/
IMG20190807110844_02.jpg
Bacterial Black Spot
Benar
Uji coba selanjutnya yaitu mencoba untuk klasifikasi pada
kondisi daun
sehatyang tidak termasuk dataset pada proses training. Data akan
ditampilkan
pada Tabel 4.14.
Tabel 4.14 Hasil Klasifikasi Cescospora
No. Target Output Keterangan Gambar
Capture
1. Cercospora
Benar
-
46
2. Cercospora Benar
3/ Cercospora
data/test_image/5b4b5f9b-
2257-46f7-ae4d-
4fbb8debc858.jpg
Bacterial Yellow Spot
Benar
4. Cercospora
data/test_image/IMG2019080
7112526.jpg
Bacterial Brown rot
Salah
5. Cercospora
Benar
6. Cercospora
data/test_image/IMG2019080
7112502_04.jpg
Bacterial Black Spot Salah
7. Cercospora
data/test_image/9eadae3a-
42e4-a264-14868d327f7e.jpg
Bacterial Yellow Spot Benar
8. Cercospora
data/test_image/IMG2019080
7112438_01.jpg
Bacterial Yellow Spot
Benar
9. Cercospora
data/test_image/f4905223-f02-
4c39-bc361b6aed3cb.jpg
Bacterial Yellow Spot Benar
10. Cercospora
data/test_image/8628b1da7ed-
4be9-8778-5eb74e526b1b.jpg
Bacterial Yellow Spot
Benar
-
47
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi daun sehat. Data akan ditampilkan pada Tabel 4.15.
Tabel 4.15 Hasil Klasifikasi sehat Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. Sehat
Benar
2. Sehat
data/test_image/2e09aca5-1ae3-
42e7-b718-a4034701b257.jpg
sehat
Benar
3. Sehat
data/test_image/03ff6f00-8619-
4a23-9bc6-518464d397a4.jpg
sehat
Benar
4 Sehat
data/test_image/0667bd43-9d58-
410e-8341d8459c01.jpg
sehat Benar
5 Sehat
data/test_image/0999ea9c-67ed-
496c-8f36079ca2e48.jpg
sehat Benar
6 Sehat
data/test_image/166ac287-aa4866-
b798-aefe6b1fdbbf.jpg
Bacterial Black Spot Salah
7 sehat
data/test_image/bf84c9ac-4387-
40e9-a5ca-ed4270553d64.jpg
sehat Benar
-
48
8 sehat
data/test_image/c98805f7-aec9-
4008-a301-27e071c697f3.jpg
sehat Benar
9 sehat
data/test_image/96674457-bb8a-
4888-8d17-808f676702b8.jpg
sehat Benar
10 sehat
data/test_image/5c1a5cba-e86f-
4933-b3c5-f847aad09098.jpg
sehat Benar
Dari percobaan yang telah dilakukan maka akan didapatkan
hasil presentase keberhasilan yang akan ditampilkan pada Tabel
4.16
berikut.
Tabel 4.16 Hasil Presentase Keberhasilan Tidak Masuk Dataset
No. Kategori Percobaan Total Hasil Klasifikasi
Benar Salah
1. Sehat 10 9 0
2. Spyder mites 10 8 2
3. Cercospora 10 8 2
4. Black spot 10 8 2
Total 40 34 6
Tingkat Keberhasilan 85,00 %
Hasil pengujian dengan sampel tidak masuk dataset sebanyak
40
kali dengan tiap kategori klasifikasi 10 kali pengujian
didapatkan
presentase keberhasilan sebesar 85,00%. Sama halnya dengan
pengujian dengan menggunakan Gambar yang masuk dataset
sebagian
besar error disebabkan karena sistem sulit membedakan karena
efek
intensitas cahaya dan cara pengambilan gambar karena input dari
hasil
gambar adalah berupa RGB.
-
49
4.3 . Analisa
Pada sub bab ini akan menjelaskan dari proses tahapan awal
yaitu
pembuatan data set hingga proses klasifikasi. Pada tugas akhir
ini menggunakan
arsitektur convolution neural network (CNN) dengan 2 kali proses
konvolusi, 2
kali proses pooling layer (maxpooling) dan menggunakan 2 kali
proses relu hingg
masuk ke tahap flattening dan kemudian akan menghasilkan sebuah
klasifikasi
dengan 4 output klasfikasi yaitu penyakit hama spider mites
(spider mites pest),
baktreri titik hitam (Black Spot), Cercospora dan sehat. Pada
proses pengujian
data realtime dengan langkah langkah yaitu, tentukan objek yang
akan diambil
kemudian hasil gambar tersebut akan secara otomatis masuk
kedalam proses
convolution neural network (CNN) lalu setelah melalui proses
tersebut akan
tampil pada jendela interface tentang klasifikasi penyakit yang
dimiliki oleh
tanaman tersebut beserta suara yang akan terdengar ketika proses
klasifikasi
selesai sesusai dengan hasil klasifikasi. Pada tugas akhir ini
kesulitan yang terjadi
yaitu membuat atau mengkondisikan tanaman tersebut memliki
penyakit yaitu
dengan cara membuat lingkungan sekitar tanaman anggrek yang
ideal dengan
proses pertumbuhan penyakit yang diteliti. Pada kesulitan yang
kedua adalah
membuat arsitektur yang ideal untuk proses klasifikasi penyakit
pada daun
tanaman anggrek. Proses training dataset yang melalui proses
training sebanyak
2000 gambar dengan masing – masing 500 gambar setiap kategori
dengan
menggunakan arsitektur 2 kali proses konvolusi, 2 kali proses
pooling layer
(maxpooling) dan menggunakan 2 kali proses relu dengan
menggunakan
optimizer adam, penulis telah melakukan pengujian terhadap 3
optimizer dalam
proses training yaitu adam, adadelta dan SGD dari pengujian
tersebut didapatkan
nilai loss terendah dan nilai accuracy tertinggi yaitu dengan
menggunakan
optimizer adam nilai accuracy dan loss dapat dilihat pada tabel
4.17
-
50
Tabel 4.17 Hasil Presentase Keberhasilan Tidak Masuk Dataset
Optimizer Hasil Training
Acc. Train Loss Train Acc. Validasi Loss Validasi
SGD 0.2330 12.3626 0.2333 12.3582
Adam 0.9910 0.0386 0,9975 0,0059
Adadelta 0.9830 0.1531 0,9975 0.0221
Berdasarkan table 4.17 dapat disimpulkan bahwa optimizer adam
adalah yang
terbaik dalam tugas akhir ini.
Pada pengujian sistem, sistem dapat berjalan dengan lancer
dengan hasil
klasifikasi data yang tidak termasuk dalam dataset dengan
akurasi 85% dengan
pengujian sebanyak 10 kali setiap kategori dengan total
pengujian sebanyak 40
kali.
-
51
BAB 5
KESIMPULAN DAN SARAN
Pada tahapan ini merupakan tahapan akhir pada tugas akhir
ini,
tahapan ini berisi tentang kesimpulan dari penelitian yang telah
di lakukan dan
saran untuk peneliti selanjutnya dalam topik tugas akhir ini
5.1 Kesimpulan
Dari pengujian yang telah dilakukan, hasil penelitian ini
dapat
disimpulkan bahwa:
1. Perancangan sistem identifikasi klasifikasi penyakit pada
tanaman
anggrek dengan pengolahan citra dapat berjalan sesuai sistem
yang
seharusnya.
2. Implementasi Sistem Identifikasi Klasifikasi Penyakit pada
Orchidaceae
Menggunakan Pengolahan Citra dengan Metode Convolutional
Neural
Network (CNN) dapat berjalan optimal.
3. Optimizer berpengaruh dalam proses training berdasarkan
pengujian
yang dilakukan dan dapat dilihat pada table 5.1.
Tabel 5. 1 Tabel hasil pengujian optimizer
Optimizer Hasil Training
Acc. Train Loss Train Acc. Validasi Loss Validasi
SGD 0.2330 12.3626 0.2333 12.3582
Adam 0.9910 0.0386 0,9975 0,0059
Adadelta 0.9830 0.1531 0,9975 0.0221
5.2 Saran
Dari penelitian yang telah dilakukan, terdapat beberapa saran
untuk
menunjang penelitian ini. Berikut adalah saran untuk penelitian
ini.
1. Arsitektur CNN perlu dimodifikasi lagi untuk mendapatkan data
yang
lebih optimal.
2. Membandingkan Optimizer yang lain untuk proses training data
sehingga
didapatkan nilai akurasi yang lebih baik.
-
52
3. Perlu dilakukannya riset tentang letak pengambilan dataset
agar dataset
yang digunakan untuk Training dapat mengklasifikasi dengan baik
dan
benar.
4. Penggunaan terhadap metode RCNN yaitu tahap lanjutan dari
CNN
5. Terdapat cahaya yang sesuai agar tidak menggangu proses
klasifikasi
-
53
-
54
DAFTAR PUSTAKA
Aris Nasuha, T. A. S. h. p., 2018. Pengenalan visime bahasa
indonesia
menggunakan convolution neural network. semantic scholar, 7(5),
p. 264.
Bottom, S., 2017. Orchid Pests and Diseases Diagnosis, Treatmen
and
prevention. [Online]
Available at:
http://www.aos.org/orchids/orchid-pests-diseases.aspx
[Accessed 20 February 2019].
Hakim, F., 2017. Jaringan Syaraf Tiruan /Artificial Neural
Network. [Online]
Available at: https://rstudio-pubs-static.s3.amazonaws.com
[Accessed 04 01 2019].
Harid, R., 2016. http://ronald-hd.blogspot.com. [Online]
Available at:
http://ronald-hd.blogspot.com/2016/03/pengertian-dan-perbedaan-
rgb-dan-cmyk.html
[Accessed 14 February 2019].
I Wayan Suartika E. P, A. Y. W. d. R. S., 2016. Klasifikasi
Citra Menggunakan
Convolutional Neural Network (Cnn) pada Caltech 101. JURNAL
TEKNIK ITS,
5(1), pp. 66-69.
Indriyati, 2014. http://indriyantisl.blogspot.com. [Online]
Available at:
http://indriyantisl.blogspot.com/2014/06/artikel-tanaman-
anggrek.html
[Accessed 14 February 2019].
J. T. Springenberg, A. D. T. B. a. M. R., 2015. Striving For
Simplicity: The All
Convolutional Net. ICLR 2015.
Khumaidi, A., Yuniarno, E. M. & Purnomo, M. H., 2017.
Welding Defect
Classification Based on Convolution Neural Network (CNN) and
Gaussian
Kernel. International Seminar on Intelligent Technology and Its
Application, pp.
261-265.
Kurniawan, N. Z., 2016. IDENTIFIKASI JENIS PENYAKIT DAUN
TEMBAKAU. Journal of Control and Network Systems .
Mauridhi Hery, A. K., 2006. Supervised Neural Networks dan
Aplikasinya.
Yogyakarta: Graha Ilmu.
Nazar, A., 2018. Prototype Sistem Sorting Packaging Rokok Dengan
Metode
Convolution Neural Network (CNN). Skripsi, pp. 9-13.
Rahman, N., 2017. www.Quora.com. [Online]
Available at:
https://www.quora.com/What-is-the-benefit-of-using-average-
pooling-rather-than-max-pooling
[Accessed 19 July 2019].
-
55
Sena, S., 2017. A Medium Coporation. [Online]
Available at:
https://medium.com/@samuelsena/pengenalan-deep-learni