Klasifikasi Penyakit Tanaman Apel Dari Citra Daun Dengan Convolutional Neural Network
Klasifikasi Penyakit Tanaman Apel Dari Citra Daun Dengan Convolutional Neural Network
Klasifikasi Penyakit Tanaman Apel Dari Citra Daun Dengan Convolutional Neural Network
1,3,4
Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Universitas Gunadarma
2
Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Gunadarma
1,2,3,4
Jalan Margonda Raya No.100, Pondok Cina, Depok
E-mail : andiasrafil78@student.gunadarma.ac.id1), ridwandwiseptian@staff.gunadarma.ac.id2),
margi@staff.gunadarma.ac.id3), ericks_rs@staff.gunadarma.ac.id4)
ABSTRAK
Tanaman Apel merupakan buah tahunan yang berasal dari daerah Asia Barat dengan iklim sub tropis. Di Indonesia
tanaman Apel ditanam sejak tahun 1934 hingga saat ini. Tanaman Apel dapat tumbuh dan berbuah baik di daerah dataran
tinggi. Para petani biasanya melakukan pencegahan penyakit atau hama dengan melakukan penyemprotan setiap 1 – 2
minggu sekali dengan dosis ringan. Pencegahan ini agar penyakit/hama dapat segera ditanggulangi dan baik jika dilakukan
pada pagi atau sore hari. Terkadang petani juga membutuhkan seorang pakar dalam menentukan jenis hama/penyakit pada
tanaman Apel agar dapet memberikan solusi terbaik. Oleh karena itu diperlukan adanya pendekatan digital agar dapat
mengenali beragam jenis hama/penyakit tanaman Apel dengan cepat dan mudah. Teknologi Deep learning, merupakan
salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan depat. Deep learning memiliki kemampuan
yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek pada citra. Metode yang
dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Berdasarkan hasil uji
coba, aplikasi berhasil diimplementasikan dengan baik menggunakan framework dart berbasis android dengan hasil final
test accuracy yang diperoleh yaitu didapat keakuratan akurasi sebesar 97,1%.
3. Penyakit yang digunakan untuk klasifikasi hanya 3 dalam set data yang besar dengan menggunakan
penyakit, yaitu scab, blackrot, dan rust. algoritma backpropagation untuk menunjukkan
4. Aplikasi ini hanya dapat dijalankan pada bagaimana sebuah mesin harus mengubah parameter
smartphone yang memiliki sistem operasi Android. internal yang digunakan untuk menghitung representasi
5. Output berupa hasil klasifikasi jenis penyakit di setiap lapisan dari representasi dalam lapisan
tanaman Apel. sebelumnya. Deep learning mampu melakukan
pengenalan pola-pola yang sangat akurat seperti pola
3. BAHAN DAN METODE grafis, tulisan tangan dan pola lainnya sehingga sangat
Pada bagian ini membahas penggunaan metode yang baik digunakan untuk pengembangan aplikasi-aplikasi
terkait dalam penelitian, di antaranya : seperti pengenalan maupun klasifikasi citra, suara, teks,
dan lainnya. Model dalam Deep learning biasanya
3.1 Tanaman Apel dibangun dengan menggunakan metode Jaringan Syaraf
Apel dalam ilmu botani disebut Malus sylvestris Tiruan (JST) (LeCun dkk., 2015).
Mill. Apel merupakan tanaman buah tahunan yang
berasal dari daerah Asia Barat dengan iklim sub tropis. 3.3 Convolutional Neural Network
Di Indonesia Apel telah ditanam sejak tahun 1934 hingga Convolutional Neural Network (CNN) adalah
saat ini (Suhardjo, H. L., Deaton, B. J., & Driskel, 1985). pengembangan dari Multilayer Perceptron (MLP) yang
Menurut sistematika, tanaman Apel termasuk dalam, didesain untuk mengolah data dua dimensi. CNN
divisio : Spermatophyta, subdivisio : Angiospermae, klas termasuk dalam jenis deep neural network karena
: Dicotyledonae, ordo : Rosales, famili : Rosaceae, genus kedalaman jaringan yang tinggi dan banyak
: Malus, spesies : Malus sylvestris Mill diaplikasikan pada data citra. Pada kasus klasifikasi citra,
Dari spesies malus sylvestris mill ini, ada bermacam- MLP kurang sesuai untuk digunakan karena tidak
macam varietas yang mempunyai ciri-ciri atau menyimpan informasi spasial dari data citra dan
karakteristik khas tersendiri. Beberapa varietas Apel menganggap setiap piksel adalah fitur yang independen
yang termasuk unggulan antara lain: Rome Beauty, sehingga menghasilkan citra yang kurang baik (Sharif
Manalagi, Anna, Princess Noble dan Wangli/Lali jiwo. Razavian dkk., 2014).
Apel memiliki kandungan banyak vitamin C serta Konsep CNN pada dasarnya memiliki persamaan
vitamin B. Selain itu para pelaku diet menjadi pilihan dengan cara kerja MLP. Namun dalam CNN, neuron-
untuk melakukan diet sebagai ganti makanan substitusi neuron dipresentasikan ke dalam bentuk tiga dimensi,
(Ernawati, 2018). Gangguan pada tanaman Apel sedangkan MLP, setiap neuron berukuran satu dimensi.
disebabkan oleh hama maupun penyakit. Beberapa hama Sehingga, menyebabkan parameter bobot pada CNN dan
dan penyakit yang menyerang tanaman Apel seperti pada MLP berbeda. MLP memiliki bobot satu dimensi, yaitu
tabel 1. jumlah dari neuron input. Operasi linear pada CNN
Tabel 1. Jenis Hama menggunakan operasi konvolusi dan bobot bukan
Jenis Hama berbentuk satu dimensi melainkan berbentuk tiga
Kutu Hijau (Aphis pomi Geer) dimensi, yaitu pixel tinggi, pixel lebar dan channel
Tungau, Spinder mite, Cambuk merah (Panonychus Ulmi) warna. Gambar 1 menunjukkan arsitektur dari CNN
Trips (Shafira, 2018).
Ulat daun
Serangga penghisap daun
Ulat daun hitam
Lalat buah
Karena sifat proses konvolusi, maka CNN hanya dapat Konvolusi adalah suatu istilah matematis yang berati
digunakan pada data yang memiliki struktur dua dimensi mengaplikasikan sebuah fungsi pada output fungsi
seperti citra dan suara (Putra, 2016). lain secara berulang. Dalam pengolahan citra,
konvolusi berati mengaplikasikan sebuah kernel
(kotak kuning) pada citra di semua offset yang
memungkinkan seperti yang ditunjukkan pada
Gambar.3. Kotak hijau secara keseluruhan adalah
citra yang akan dikonvolusi. Kernel bergerak dari
sudut kiri atas ke kanan bawah. Sehingga hasil
konvolusi dari citra tersebut dapat dilihat pada
gambar di sebelah kanannya.
Gambar 2. Proses Konvolusi pada CNN Tujuan dilakukannya konvolusi pada data citra
adalah untuk mengekstraksi fitur dari citra input.
3.4 Arsitektur Jaringan CNN Konvolusi akan menghasilkan transformasi linear
JST terdiri dari berbagai layer dan beberapa neuron dari data input sesuai informasi spasial pada data.
pada masing-masing layer. Kedua hal tersebut tidak Bobot pada layer tersebut menypesifikasikan kernel
dapat ditentukan menggunakan aturan yang pasti dan konvolusi yang digunakan, sehingga kernel
berlaku berbeda-beda pada data yang berbeda (Aghdam konvolusi dapat dilatih berdasarkan input pada CNN
& Heravi, 2017). (Putra, 2016).
Pada kasus MLP, sebuah jaringan tanpa hidden layer
dapat memetakan persamaan linear apa pun, sedangkan
jaringan dengan satu atau dua hidden layer dapat
memetakan sebagian besar persamaan pada data
sederhana. Namun pada data yang lebih kompleks, MLP
memiliki keterbatasan. Pada permasalahan jumlah
hidden layer di bawah tiga layer, terdapat pendekatan Gambar 3. Operasi Konvolusi
untuk menentukan jumlah neuron pada masing-masing
layer untuk mendekati hasil optimal. Penggunaan layer 2. Subsampling Layer
di atas dua pada umumnya tidak direkomendasikan Subsampling adalah proses mereduksi ukuran sebuah
dikarenakan akan menyebabkan overfitting serta data citra. Dalam pengolahan citra, sub sampling juga
kekuatan backpropagation berkurang secara signifikan. bertujuan untuk meningkatkan invariansi posisi dari
Dengan berkembangnya deep learning, ditemukan fitur. Dalam sebagian besar CNN, metode sub
bahwa untuk mengatasi kekurangan MLP dalam sampling yang digunakan adalah max pooling. Max
menangani data kompleks, diperlukan fungsi untuk pooling membagi output dari convolution layer
mentransformasi data input menjadi bentuk yang lebih menjadi beberapa grid kecil lalu mengambil nilai
mudah dimengerti oleh MLP. Hal tersebut memicu maksimal dari setiap grid untuk menyusun matriks
berkembangnya deep learning di mana dalam satu model citra yang telah direduksi seperti yang ditunjukkan
diberi beberapa layer untuk melakukan transformasi data pada Gambar.4. Grid yang berwarna merah, hijau,
sebelum data diolah menggunakan metode klasifikasi. kuning dan biru merupakan kelompok grid yang akan
Hal tersebut memicu berkembangnya model neural dipilih nilai maksimumnya. Sehingga hasil dari
network dengan jumlah layer di atas tiga. Namun proses tersebut dapat dilihat pada kumpulan grid
dikarenakan fungsi layer awal sebagai metode ekstraksi disebelah kanannya. Proses tersebut memastikan fitur
fitur, maka jumlah layer dalam sebuah DNN tidak yang didapatkan akan sama meskipun objek citra
memiliki aturan universal dan berlaku berbeda beda mengalami translasi (pergeseran) (Putra, 2016).
tergantung dataset yang digunakan (Putra, 2016).
Karena hal tersebut, jumlah layer pada jaringan serta
jumlah neuron pada masing-masing layer dianggap
sebagai hyperparameter dan dioptimasi menggunakan
pendekatan searching. Sebuah CNN terdiri dari beberapa
layer. Berdasarkan arsitektur LeNet5 (Stanford
University, 2013), terdapat empat macam layer utama
pada sebuah CNN namun yang diterapkan hanya tiga
macam lapisan lantara lain:
Gambar 4. Operasi Max Pooling
1. Convolution Layer
Convolution Layer melakukan operasi konvolusi Menurut (Springenberg dkk., 2014), penggunaan
pada output dari layer sebelumnya. Layer tersebut pooling layer pada CNN hanya bertujuan untuk
adalah proses utama yang mendasari sebuah CNN. mereduksi ukuran citra sehingga dapat dengan mudah
210 SEBATIK 2621-069X
4. PEMBAHASAN
Berikut ini adalah perancangan aplikasi yang
menjelaskan proses dari awal aplikasi berjalan hingga
aplikasi selesai. Secara umum alur aplikasi yang
dirancang pada penelitian ini dapat terlihat pada gambar
6.
SEBATIK 1410-3737 211
Gambar 9. Dataset penyakit apple rust pada direktori yang gagal diklasifikasi, dan bentuk network yang
train terbentuk dari proses feedforward. Dengan bobot yang
baru proses feedforward diterapkan yang kemudian
menghasilkan lapisan output. Lapisan output sudah fully
connected dengan label yang disediakan. Hasil fully
connected tersebut diperoleh data yang gagal dan
berhasil diklasifikasi
Berdasarkan hasil uji coba yang telah dilakukan, dapat Merah. Jurnal Hospitality. Jurnal Hospitality,
dilihat bahwa aplikasi yang dibuat dapat berfungsi sesuai ISSN:2338-7440.
dengan yang diharapkan sehingga dapat disimpulkan LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep
bahwa aplikasi ini telah bekerja dengan benar. learning. Nature, 521(7553), 436–444.
Permana, A. H., Asmara, R. A., & Tri, A. R. (2015).
5. KESIMPULAN Sistem Pakar Diagnosa Hama Dan Penyakit Pada
Aplikasi ini sudah berhasil dibuat menggunakan Tanaman Apel Menggunakan Metode Certainty
Flutter dan Visual Studio Code dan dapat dijalankan Factor. Jurnal Informatika Polinema, 1(3), 7.
pada smartphone dengan minimum versi Android Putra, I. (2016). Klasifikasi citra menggunakan
Lollipop. Data Pelatihan citra dengan algoritma convolutional neural network (CNN) pada caltech
convolutional neural network yang berasal dari 7700 101. Institut Teknologi Sepuluh Nopember.
data train dan 1943 data validasi. Proses preprocessing Shafira, T. (2018). Implementasi Convolutional Neural
yang dilakukan pada citra adalah dengan melakukan
Networks Untuk Klasifikasi Citra Tomat
perubahan ukuran citra agar berukuran sama yaitu
Menggunakan Keras. Universitas Islam Indonesia.
menjadi 256x256 dan menggunakan tipe gambar RGB.
Sharif Razavian, A., Azizpour, H., Sullivan, J., &
Model dapat mengklasifikasi citra yang diujikan dengan
Carlsson, S. (2014). CNN features off-the-shelf: an
baik, yaitu penyakit apple scab, apple black rot, apple
cedar rust dan tanaman apel sehat. Hasil dari final test astounding baseline for recognition. Proceedings of
accuracy yang diperoleh dari keseluruhan proses the IEEE Conference on Computer Vision and
pelatihan yaitu sebesar 97,1%. Pattern Recognition Workshops, 806–813.
Springenberg, J. T., Dosovitskiy, A., Brox, T., &
6. SARAN Riedmiller, M. (2014). Striving for simplicity: The
Pengembangan lebih lanjut dapat dilakukan untuk all convolutional net. ArXiv Preprint
menyempurnakan aplikasi untuk mengenali jenis ArXiv:1412.6806.
penyakit tanaman Apel yaitu dengan menambahkan Stanford University. (2013). An Introduction to
jumlah jenis penyakit serta jumlah gambar pada dataset Convolutional Neural Networks. Stanford
untuk memperoleh hasil akurasi yang lebih maksimal University.
dan memberikan penjelasan serta penanganan yang benar http://scarlet.stanford.edu/teach/index.php/An_Intro
untuk penyakit tertentu. duction_to_Convolutional_Neural_Networks
Aghdam, H. H., & Heravi, E. J. (2017). Guide to
7. DAFTAR PUSTAKA convolutional neural networks. New York, NY:
Springer, 10, 978-973.
Bisong, E. (2019). Building Machine Learning and Deep Suhardjo, H. L., Deaton, B. J., & Driskel, J. A. (1985).
learning Models on Google Cloud Platform. Pangan, Gizi dan Pertanian. UI-Pers Jakarta.
Springer.
Ernawati. (2018). Karakteristik Uji Organoleptik
Pembuatan Cup Cake Menggunakan Tepung Beras