KLASIFIKASI PENYAKIT PADA ORCHIDACEAE MENGGUNAKAN PENGOLAHAN CITRA DENGAN METODE ...repository.ppns.ac.id/2411/1/0915040028 - Mochammad... · 2019. 12. 2. · vii KATA PENGANTAR Alhamdulillahahi

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




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


SURABAYA

2019

ii

“Halaman ini sengaja dikosongkan”

iii

LEMB AR PENGESAHAN

TUGAS AKHIR




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


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


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


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


PENGOLAHAN CITRA DENGAN METODE CONVOLUTIONAL NEURAL

NETWORK (CNN)


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


xi

CLASSIFICATION OF DISEASE IN ORCHIDACEAE USING IMAGE

PROCESSING WITH THE CONVOLUTIONAL NEURAL NETWORK

(CNN) METHOD


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


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

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


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





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


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





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


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


_02.jpg

Bacterial Black Spot Benar

45

5 Black spot


_02.jpg

Bacterial Black Spot

Benar

6. Black spot


_03.jpg


7. Black spot

data/test_image/

IMG20190807110933_06.jpg

Bacterial Brown rot

Salah

8. Black spot

data/test_image/I

MG20190807110904_03.jpg


9. Black spot

data/test_image/

IMG20190807110846_01.jpg


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


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


7112526.jpg

Bacterial Brown rot

Salah

5. Cercospora

Benar

6. Cercospora


7112502_04.jpg


7. Cercospora

data/test_image/9eadae3a-

42e4-a264-14868d327f7e.jpg

Bacterial Yellow Spot Benar

8. Cercospora


7112438_01.jpg


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


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


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


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


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


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

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


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


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

KLASIFIKASI PENYAKIT PADA ORCHIDACEAE MENGGUNAKAN PENGOLAHAN CITRA DENGAN METODE ...repository.ppns.ac.id/2411/1/0915040028 - Mochammad... · 2019. 12. 2. · vii KATA PENGANTAR Alhamdulillahahi

Documents