CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI …
Transcript of CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI …
IMPLEMENTASI DEEP LEARNING DENGAN METODE
CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI
CITRA BAHAN KULIT HEWAN
SKRIPSI
MARSHA NADIRA
1510511031
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA
2019
i
IMPLEMENTASI DEEP LEARNING DENGAN METODE
CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI
CITRA BAHAN KULIT HEWAN
SKRIPSI
Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar
Sarjana Komputer
MARSHA NADIRA
1510511031
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA
2019
ii
PERNYATAAN ORISINALITAS
iii
PERNYATAAN
PERSETUJUAN PUBLIKASI
SKRIPSI UNTUK
KEPENTINGAN AKADEMIS
iv
PENGESAHAN
v
IMPLEMENTASI DEEP LEARNING DENGAN METODE
CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI
CITRA BAHAN KULIT HEWAN
MARSHA NADIRA
ABSTRAK
Di Indonesia, kulit hewan merupakan salah satu bahan mentah yang digunakan sebagai
bahan utama dalam industri kulit dan karya seni. Selama proses pengolahan kulit
hewan menjadi kulit jadi asli, kulit hewan tersebut telah mengalami perubahan baik
tekstur maupun warna. Hal itu menyebabkan sulit dikenalinya jenis kulit hewan antar
satu spesies dengan spesies lainnya. Untuk mengatasi permasalahan tersebut,
dibutuhkan suatu sistem yang dapat mengidentifikasi jenis bahan kulit hewan.
Perkembangan teknologi dan ilmu pengetahuan yang pesat memungkinkan untuk dapat
melakukan klasifikasi suatu objek berdasarkan karakteristik yang dimilikinya. Salah
satu metode deep learning yang sedang berkembang saat ini adalah Convolutional
Neural Network (CNN). CNN diklaim merupakan metode terbaik dalam permasalahan
deteksi dan pengenalan objek. Dengan menggunakan citra sebagai masukannya, CNN
dapat melakukan pembelajaran citra sehingga dapat menghasilkan sebuah model yang
mampu mengklasifikasikan objek citra jenis bahan kulit hewan. Konvolusi merupakan
proses utama yang mendasari jaringan arsitektur CNN, sehingga citra dapat diekstrasi
setiap fiturnya dengan lebih baik dan mempermudah proses klasifikasi. Penelitian ini
diharapkan dapat membuat sistem yang mampu mengenali jenis bahan kulit hewan
dengan tepat dan memiliki akurasi yang tinggi.
Kata Kunci: pengolahan citra, convolutional neural network (CNN), deep learning,
kulit hewan
vi
DEEP LEARNING IMPLEMENTATION WITH
CONVOLUTIONAL NEURAL NETWORK METHOD FOR
LEATHER IMAGE IDENTIFICATION
MARSHA NADIRA
ABSTRACT
In Indonesia, animal skin is one of raw material which is used as main material in
leather and art industry. During the process of processing animal skin into genuine
leather, the animal skin has undergone changes in both texture and color. It causes
difficulties in identifiying leather on each species. To overcome that problem, is needed
a system to identify leather types. Rapid development of technology and science make
it possible to classify object based on their characteristics. One of the deep learning
methods which is currently developing is Convolutional Neural Network (CNN). CNN
is claimed as the best method for detection and object recognition problem. Using
image as an input, CNN can do image learning to generate a model to classify leather
images. Convolution is the main process underlying CNN network architecture, so that
each of images can be extracted better to simplify the classification process. This
research is expected to create a system which can identify leather types appropriately
and has high accuracy.
Keywords: image processing, convolutional neural network (CNN), deep learning,
leather
vii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala karunia-Nya,
sehingga Skripsi ini berhasil diselesaikan. Penulis ingin mengucapkan terima kasih
kepada:
1. Orang tua dan keluarga yang selalu memberikan dorongan kepada penulis agar
dapat menyelesaikan skripsinya.
2. Ibu Vini Indriasari, S.T., M.Sc., Ph.D., selaku dosen pembimbing skripsi yang
telah memberikan saran yang bermanfaat.
3. Ibu Dr. Ermatita, M. Kom., selaku Dekan Fakultas Ilmu Komputer.
4. Ibu Anita Muliawati, S.Kom., MTI., selaku Ketua Program Studi S1
Informatika.
5. Ibu Mayanda Mega Santoni, S.Kom., M.Kom., selaku dosen Fakultas Ilmu
Komputer yang bersedia menjadi rekan diskusi.
6. Teman-teman Program Studi S1 Informatika Angkatan 2015 Fakultas Ilmu
Komputer yang telah memberikan dukungan, semangat, dan doa.
7. Teman-teman BEMF-IK periode 2017-2018 dan UKM Fotografi & Videografi
“Veteran” Jakarta yang telah memberikan dukungan, semangat, dan doa.
Dan semua pihak yang telah membantu penulis dalam menyelesaikan Skripsi ini.
Jakarta, 16 Juli 2019
Penulis
viii
DAFTAR ISI
HALAMAN SAMPUL .................................................................................................. i
PERNYATAAN ORISINALITAS ............................................................................... ii
PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI UNTUK KEPENTINGAN
AKADEMIS ................................................................................................................ iii
PENGESAHAN ........................................................................................................... iv
ABSTRAK .................................................................................................................... v
ABSTRACT ................................................................................................................. vi
KATA PENGANTAR ................................................................................................ vii
DAFTAR ISI .............................................................................................................. viii
DAFTAR TABEL ....................................................................................................... xii
DAFTAR GAMBAR ................................................................................................. xiii
BAB 1 PENDAHULUAN ............................................................................................ 1
1.1 Latar Belakang Masalah.................................................................................... 1
1.2 Rumusan Masalah ............................................................................................. 3
1.3 Tujuan Penelitian .............................................................................................. 3
1.4 Manfaat Penelitian ............................................................................................ 3
1.5 Ruang Lingkup .................................................................................................. 4
1.6 Luaran yang Diharapkan ................................................................................... 4
1.7 Sistematika Penulisan ....................................................................................... 4
BAB 2 TINJAUAN PUSTAKA ................................................................................... 6
2.1 Citra Digital ...................................................................................................... 6
2.1.1 Citra Biner ............................................................................................... 7
ix
2.1.2 Citra Grayscale ....................................................................................... 8
2.1.3 Citra Warna RGB .................................................................................... 9
2.1.4 Citra Warna Berindeks ............................................................................ 9
2.2 Pengolahan Citra ............................................................................................. 10
2.3 Klasifikasi Citra Menggunakan Convolutional Neural Network .................... 12
2.3.1 Operasi Konvolusi ................................................................................ 14
2.3.2 Operasi Pooling .................................................................................... 16
2.3.3 Aktivasi ReLU ...................................................................................... 17
2.3.4 Fully-Connected Layer ......................................................................... 18
2.3.5 Softmax Classifier ................................................................................. 18
2.3.6 Mean Squared Error (MSE) ................................................................. 19
2.3.7 Confusion Matrix .................................................................................. 19
2.3.8 Akurasi .................................................................................................. 20
2.4 Library untuk Menyelesaikan Masalah Jaringan Syaraf: Keras ..................... 20
2.5 Metode Klasifikasi Citra untuk Identifikasi Kulit .......................................... 21
2.6 Penerapan Metode CNN untuk Klasifikasi Citra ............................................ 22
BAB 3 METODOLOGI PENELITIAN ..................................................................... 25
3.1 Kerangka Pikir ................................................................................................ 25
3.1.1 Identifikasi dan Perumusan Masalah .................................................... 26
3.1.2 Studi Pustaka ......................................................................................... 26
3.1.3 Pengumpulan Data ................................................................................ 26
3.1.4 Pengolahan Data ................................................................................... 26
3.1.5 Perancangan CNN ................................................................................. 27
3.1.6 Pelatihan dan Pengujian Model ............................................................ 27
x
3.1.7 Perhitungan Akurasi .............................................................................. 27
3.1.8 Analisis Hasil ........................................................................................ 28
3.1.9 Kesimpulan dan Saran .......................................................................... 28
3.2 Perangkat Penelitian ........................................................................................ 28
3.2.1 Perangkat Keras (Hardware) ................................................................ 28
3.2.2 Perangkat Lunak (Software) ................................................................. 29
BAB 4 HASIL DAN PEMBAHASAN ...................................................................... 30
4.1 Pengumpulan Data Citra ................................................................................. 30
4.2 Pengolahan Data Citra .................................................................................... 32
4.3 Perancangan CNN ........................................................................................... 33
4.4 Pembagian Data Latih dan Data Uji ............................................................... 34
4.5 Pelatihan Model .............................................................................................. 37
4.6 Pengujian Model ............................................................................................. 44
4.7 Perhitungan Akurasi ........................................................................................ 49
4.8 Penentuan Parameter Model ........................................................................... 50
4.8.1 Pengaruh Ukuran Batch Size ................................................................. 51
4.8.2 Pengaruh Jumlah Epoch ........................................................................ 52
4.8.3 Pengaruh Nilai Learning Rate............................................................... 53
4.8.4 Pengaruh Pembagian Data Latih dan Data Uji ..................................... 54
BAB 5 PENUTUP ...................................................................................................... 55
5.1 Kesimpulan ..................................................................................................... 55
5.2 Saran ............................................................................................................... 55
DAFTAR PUSTAKA ................................................................................................. 57
RIWAYAT HIDUP .................................................................................................... 60
xi
LAMPIRAN ................................................................................................................ 62
xii
DAFTAR TABEL
Tabel 2.1 Model Confusion Matrix ............................................................................. 20
Tabel 2.2 Perbandingan Studi Relevan ....................................................................... 24
Tabel 4.1 Perbandingan Data Latih dan Data Uji ....................................................... 36
Tabel 4.2 Hasil Akurasi Data Latih dan Validasi ....................................................... 44
Tabel 4.3 Confusion Matrix Seluruh Kelas ................................................................. 47
Tabel 4.4 Confusion Matrix Kelas Kulit Sapi ............................................................. 48
Tabel 4.5 Confusion Matrix Kelas Kulit Babi ............................................................ 48
Tabel 4.6 Confusion Matrix Kelas Kulit Domba ........................................................ 48
Tabel 4.7 Confusion Matrix Kelas Kulit Kambing ..................................................... 49
Tabel 4.8 Confusion Matrix Kelas Kulit Kanguru ...................................................... 49
Tabel 4.9 Akurasi Berdasarkan Ukuran Batch Size .................................................... 51
Tabel 4.10 Akurasi Berdasarkan Jumlah Epoch ......................................................... 52
Tabel 4.11 Akurasi Berdasarkan Nilai Learning Rate ................................................ 53
Tabel 4.12 Akurasi Berdasarkan Pembagian Data Latih dan Data Uji ....................... 54
xiii
DAFTAR GAMBAR
Gambar 2.1 Representasi Citra Digital dalam Matriks ................................................. 7
Gambar 2.2 Citra Biner ................................................................................................. 8
Gambar 2.3 Citra Grayscale ......................................................................................... 8
Gambar 2.4 Citra Warna RGB ...................................................................................... 9
Gambar 2.5 Citra Warna Berindeks ............................................................................ 10
Gambar 2.6 Arsitektur Convolutional Neural Network .............................................. 13
Gambar 2.7 Operasi pada Convolution Layer ............................................................. 16
Gambar 2.8 Operasi pada Max Pooling ...................................................................... 17
Gambar 3.1 Kerangka Pikir ........................................................................................ 25
Gambar 4.1 Citra Bahan Kulit Sapi ............................................................................ 31
Gambar 4.2 Citra Bahan Kulit Babi ............................................................................ 31
Gambar 4.3 Citra Bahan Kulit Domba ....................................................................... 31
Gambar 4.4 Citra Bahan Kulit Kambing .................................................................... 31
Gambar 4.5 Citra Bahan Kulit Kanguru ..................................................................... 32
Gambar 4.6 Contoh Hasil Cropping Citra Bahan Kulit Hewan ................................. 32
Gambar 4.7 Flowchart Model CNN ........................................................................... 33
Gambar 4.8 Tabel Data Citra ...................................................................................... 35
Gambar 4.9 Hasil Train Test Split Data ...................................................................... 36
Gambar 4.10 Summary Model CNN ........................................................................... 42
Gambar 4.11 Nilai Akurasi dan Loss pada Model ...................................................... 43