Klasifikasi Citra Mutu Cengkeh (Syzygium Aromaticum) Di PT. Perkebunan Nusantara 12 Kabupaten Malang Menggunakan Deep Convolutional Neural Network (DCNN).

Prayogi, Istifar Yogi and Dr. Ir. Sandra Malin Sutan,, MP and Yusuf Hendrawan,, STP., M.App.Life Sc., Ph.D (2021) Klasifikasi Citra Mutu Cengkeh (Syzygium Aromaticum) Di PT. Perkebunan Nusantara 12 Kabupaten Malang Menggunakan Deep Convolutional Neural Network (DCNN). Magister thesis, Universitas Brawijaya.

Abstract

Pada tanaman cengkeh, salah satu bagian tanaman yang dimanfaatkan yaitu bunga cengkeh. Proses pemanenan bunga cengkeh dengan cara memetik bunga cengkih yang masih kuncup. Bunga cengkeh akan dikeringkan sampai berwarna kecloklatan sesuai dengan standart mutunya. Standart mutu cengkeh kering yaitu SNI 01-3392-1994 dan ISO 2254-2004. Kualitas dari bunga cengkeh kering mempengaruhi harga jual untuk ekspor dan untuk dalam negeri. Kondisi saat ini pada petani dan di PTPN 12, proses klasifikasi mutu cengkeh dilakukan secara manual dengan tenaga manusia. Hal ini membuat permasalahan yaitu kualitas mutu bunga cengkeh kering yang tercampur dengan mutu lain. Karena hanya mengandalkan keterampilan dan ketelitian dari tenaga manusia. Kajian ilmu yang membahas tentang klasifikasi mutu cengkeh sudah banyak dilakukan, namun masih memiliki kekurangan berupa jumlah sampel yang digunakan masih sedikit dan proses klasifikasi yang membutuhkan waktu yang lama. Oleh karena itu, pada penelitian ini akan mengklasifikasi cengkeh dengan menggunakan metode Deep Convolutional Neural Network (DCNN) yang dapat mengolah data berjumlah besar serta proses klasifikasi yang lebih cepat tanpa melakukan ekstraksi data gambar. Penelitian ini bertujuan untuk membuat model CNN untuk klasifikasi mutu cengkeh produk dari PTPN 12 Kabupaten Malang, menganalisis parameter dalam pembuatan model CNN dan menguji performansi model CNN dalam mengklasifikasi mutu cengkeh. Pada penelitian ini menggunakan 4 klasifikasi mutu produk PTPN 12 yaitu kuncup 1, kuncup 2, biji mati dan polong. Dengan jumlah keseluruhan data gambar yang digunakan sebanyak 1600 gambar yang dibagi menjadi 900 data training, 300 data validasi dan 400 data testing. Data training dan data validasi digunakan untuk membuat model CNN, sedangkan data testing digunakan untuk menguji akurasi model CNN. Dalam pembuatan arsitektur CNN dilakukan analisis yaitu hyperparameter CNN atau analisa sensitivitas. Parameter arsitektur CNN yang dianalisis yaitu epoch, jumlah layer, ukuran gambar, ukuran kernel, strides, padding, dropout dan learning rate. Nilai terbaik pada setiap parameter akan digunakan dalam membuat arsitektur CNN. Kemudian dilakukan pengujian model CNN menggunakan data testing. Berdasarkan hasil penelitian didapatkan nilai parameter arsitektur CNN. Pada pengujian nilai epoch mencapai konvergen yaitu epoch 1300. Pengujian jumlah layer didapatkan akurasi terbaik dimiliki oleh penggunaan 2 layer dengan 32 dan 64 feature maps. Pengujian ukuran input gambar didapatkan nilai akurasi terbaik pada ukuran gambar 128×128 pixel. Pengujian ukuran kernel diperoleh akurasi terbaik pada ukuran 5×5 pixel. Pengujian nilai stride atau langkah, didapatkan nilai akurasi terbaik pada nilai 1×1 pixel. Pengujian pengaruh penggunaan padding, didapatkan akurasi terbaik pada penggunaan padding. Pengujian nilai dropout, didaptkan pada nilai dropout 0,4 yang memiliki akurasi terbaik. Pengujian learning rate, akurasi terbaik pada learning rate sebesar 0,0001. Parameter tersebut kemudian diujikan menggunakan data testing yang menghasilkan akurasi sebesar 87,75%

English Abstract

In clove plants, one part of the plant that is used is clove flowers. The process of harvesting clove flowers by picking clove flowers that are still buds. Clove flowers will be dried until they are colored in accordance with their quality standards. The quality standards of dried cloves are SNI 01-3392-1994 and ISO 2254-2004. The quality of dried clove flowers affects the selling price for export and for domestic. Current conditions in farmers and in PTPN 12, the process of classification of clove quality is done manually with human power. This makes the problem is the quality of dried clove flowers mixed with other qualities. Because it only relies on the skills and thoroughness of human power. Science studies that discuss the classification of the quality of cloves have been widely done, but still have a shortage in the form of the number of samples used is still small and the classification process that takes a long time. In this study used 4 quality classifications of PTPN 12 products, namely kuncup 1, kuncup 2, biji mati and polong. With the total number of image data used as many as 1600 images divided into 900 training data, 300 validation data and 400 data testing. Training data and validation data are used to create CNN models, while data testing is used to test the accuracy of CNN models. In the creation of the CNN architecture, analysis is done, namely CNN hyperparameter or sensitivity analysis. The parameters of the CNN architecture analyzed were epoch, number of layers, image size, kernel size, strides, padding, dropout and learning rate. The best value on each parameter will be used in creating the CNN architecture. Then tested the CNN model using data testing. Based on the results of the study obtained the value of CNN architectural parameters. In testing epoch values reached a convergence of epoch 1300. Testing the number of layers obtained the best accuracy is owned by the use of 2 layers with 32 and 64 feature maps. Test image input size obtained the best accuracy value at the image size of 128×128 pixels. Kernel size testing obtained the best accuracy at 5×5 pixel sizes. Test stride or step values, get the best accuracy value at a value of 1×1 pixel. Testing the effect of padding use, obtained the best accuracy in the use of padding. Dropout value test, attached to the dropout value of 0.4 which has the best accuracy. Learning rate testing, the best accuracy at learning rate of 0.0001. The parameters were then tested using data testing which resulted in an accuracy of 87.75%.

Item Type:	Thesis (Magister)
Identification Number:	0420100016
Uncontrolled Keywords:	Klasifikasi Mutu Cengkeh, DCNN, Hyperparameter CNN, Classification of Clove, Deep Convolutional Neural Network (DCNN), Hyperparameter CNN
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	S2/S3 > Magister Keteknikan Pertanian, Fakultas Teknologi Pertanian
Depositing User:	Sugeng Moelyono
Date Deposited:	04 Jan 2022 06:07
Last Modified:	27 Sep 2024 08:51
URI:	http://repository.ub.ac.id/id/eprint/187789

Text -Istifar Yogi Prayogi.pdf Download (4MB)

Actions (login required)

View Item