MULTI-SCALE CONVOLUTIONAL NEURAL NETWORKS UNTUK KLASIFIKASI CITRA TANAMAN AGLONEMA HIBRIDA

Authors

  • Priyanto Universitas Mercu Buana Yogyakarta
  • Mutaqin Akbar

Keywords:

Aglonema, CNN, Klasifikasi, Multiscale

Abstract

Tanaman hias aglonema sangat banyak jenisnya sehingga masih sulit bagi pecinta dan petani aglonema untuk mengklasifikasi beberapa jenis aglonema. Salah satu jenis aglonema berwarna merah yang sering disebut Aglonema rotondum. Aglonema jenis merah ini menjadi cikal bakal dari jenis-jenis aglonema hibrida yang dikembangkan hingga saat ini oleh tenaga botani. Pengganmbilan dataset menggunakan kamera handphone gambar akan diambil dari beberapa angel dan pencahayaan baik terang maupun gelap, dan pembagian rasio antara data untuk pengujian dan pelatihan dan yang kedua pengambilan tidak langsung menggunakan dataset yang didapat dari internet dengan mengambil gambar dari instagram maupun mengambil dari dataset kaggle. Data yang telah dikumpulkan sebanyak 560 yang akan di kelompokan menjadi 4 kelas. Data akan dipotong terlebih dahulu pada region of interest(ROI) menjadi ukuran 28x28 lalu dikonversi ke derajat keabuan. Model CNN yang dipakai terdiri dari 4 layer kovolusional dengan 3x3, empat layer pengabungan Maxpool dengan ukuran 2x2 dan satu lapisan fully-connected dan menggunakan fungsi aktifasi Softmax dengan jumlah filter 32 pada setiap layer konvolusi. Dalam Penelitian ini digunakan 2 skema dengan filter yang berbeda skema 1 dengan filter 16,32,64,128 dan skema 2 dengan filter 32,64,128,128 dan didapatkan nilai terbaik pada skema 2. Kedua skema tersebut menggunakan optimizer ADAM dengan menggunakan data 480 data pelatihan dimana jumlah setiap kelasnya sebanyak 120 data dan epoch sebanyak 20 dengan laju pelatihan 0,0002. Dan dihasilkan galat 0,0004 dengan akurasi mencapai 100% di epoch ke-20. Sedangkan pada hasil pengujian dengan model CNN yang di usulkan dapat memperoleh galat 0,0447 dengan akurasi yang di capai sebesar 98,78%.

References

N. Syahidan, S. Rati, S. Lubis, N. Fadillah, T. Informatika, dan U. Samudra, “KLASIFIKASI TANAMAN AGLAONEMA DENGAN FITUR EKSTRAKSI GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR”, [Daring]. Tersedia pada: https://ejurnalunsam.id/index.php/jitkom/

M. Subono dan A. Andoko, Meningkatkan Kualitas Aglonema Sang Ratu Pembawa Rezaki. Indonesia: PT ArgoMedia Pustaka, 2004.

I. W. Prastika, E. Zuliarso, J. T. Lomba, J. No, dan S. 50241, “DETEKSI PENYAKIT KULIT WAJAH MENGGUNAKAN TENSORFLOW DENGAN METODE CONVOLUTIONAL NEURAL NETWORK,” Jurnal Manajemen informatika & Sistem Informasi), vol. 4, no. 2, 2021, [Daring]. Tersedia pada: http://e-journal.stmiklombok.ac.id/index.php/misi

T. Dwi Novianto, I. Made Susi Erawan, L. Riset Mekanisasi Pengolahan Hasil Perikanan, Y. K. Jl Imogiri Barat, dan D. Yogyakarta, “Perbandingan Metode Klasifikasi pada Pengolahan Citra Mata Ikan Tuna”.

N. Gupta, “Network and Complex Systems Artificial Neural Network,” vol. 3, no. 1, 2013, [Daring]. Tersedia pada: www.iiste.org

H. Khotimah, N. Nafi’iyah, dan Masruroh, “Klasifikasi Kematangan Buah Mangga Berdasarkan Citra HSV dengan KNN,” ELTI Jurnal Elektronika, Listrik dan Teknologi Informasi Terapan, vol. 2, hlm. 1–7, Des 2019.

K. Fukushima, “Biological Cybernetics Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position,” 1980.

L. Cun dkk., “Handwritten Digit Recognition with a Back-Propagation Network.”

W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” Jurnal Teknik ITS, vol. 5, no. 1, Mar 2016, doi: 10.12962/j23373539.v5i1.15696.

M. Akbar, A. S. Purnomo, dan S. Supatman, “Multi-Scale Convolutional Networks untuk Pengenalan Rambu Lalu Lintas di Indonesia,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 11, no. 3, hlm. 310–315, Des 2022, doi: 10.32736/sisfokom.v11i3.1452.

Y. Purna Irawan dan I. Susilawati, “Klasifikasi Jenis Aglaonema Berdasarkan Citra Daun Menggunakan Convolutional Neural Network (CNN).”

G. Prameswari Natakusumah, “Implementasi Metode CNN Multi-Scale Input dan Multi-Feature Network untuk Dugaan Kanker Payudara,” 2022. [Daring]. Tersedia pada: http://publishing-widyagama.ac.id/ejournal-v2/index.php/

X. Wang, C. Zhang, dan S. Zhang, “Multiscale Convolutional Neural Networks with Attention for Plant Species Recognition,” Comput Intell Neurosci, vol. 2021, 2021, doi: 10.1155/2021/5529905.

J. Zhang dkk., “A Multiscale CNN-CRF Framework for Environmental Microorganism Image Segmentation,” Biomed Res Int, vol. 2020, 2020, doi: 10.1155/2020/4621403.

Y. Lecun, L. Bottou, Y. Bengio, P. Haffner, dan E. Bottou, “Gradient-based Learning Applied To Document Recognition - Proceedings of the IEEE,” Proceedings of the IEEE, vol. 86, no. 11, 1998, doi: 10.1109/5.726791ï.

A. Khan, A. Sohail, U. Zahoora, dan A. S. Qureshi, “A survey of the recent architectures of deep convolutional neural networks,” Artif Intell Rev, vol. 53, no. 8, hlm. 5455–5516, 2020, doi: 10.1007/s10462-020-09825-6.

D. Scherer, A. Müller, dan S. Behnke, “Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition.” [Daring]. Tersedia pada: http://www.ais.uni-bonn.de

A. P. Engelbrecht, Computational intelligence: an introduction, 2nd ed. Chichester, England?; Hoboken, NJ: John Wiley & Sons. 2007.

S. W. Smith, The scientist and engineer’s guide to digital signal processing. San Diego, Calif.: California Technical Pub. 1999.

Downloads

Published

01-02-2024