Upload
others
View
12
Download
0
Embed Size (px)
Citation preview
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