Studi Perbandingan Pre-Trained Convolutional Neural Network (CNN) Untuk Klasifikasi Citra Mutu Cengkeh (Syzygium aromaticum)

Wahyudi, Rifki and Prof. Yusuf Hendrawan,, STP, M.App.Life.Sc, Ph.D. and Prof. Dr. Ir. Bambang Dwi Argo,, DEA. (2022) Studi Perbandingan Pre-Trained Convolutional Neural Network (CNN) Untuk Klasifikasi Citra Mutu Cengkeh (Syzygium aromaticum). Sarjana thesis, Universitas Brawijaya.

Abstract

Wilayah negara Indonesia tidak dapat dipisahkan dengan hasil perkebunan, salah satu hasil perkebunannya yaitu cengkeh. Budidaya cengkeh di Indonesia mayoritas didominasi oleh perkebunan rakyat. Pada tanaman cengkeh, salah satu bagian tanaman yang dimanfaatkan yaitu bunga cengkeh. Menurut (SNI 01-3392- 1994), mutu cengkeh dibagi menjadi 3 kelas berdasarkan kandungan minyak atsiri, warna dan ukurannya. Kondisi akhir-akhir ini mutu cengkeh memiliki permasalahan kualitas mutu yang menurun. Salah satu faktornya yaitu pada proses klasifikasi mutu cengkeh yang dilakukan masih secara manual menggunakan tenaga manusia. Banyak masyarakat mengalami kerugian karena berkurangnya mutu cengkeh yang dihasilkan. Oleh karena itu, pada penelitian ini akan mengklasifikasi cengkeh dengan menggunakan arsitektur Convolutional Neural Network (CNN) yang dapat mengolah data berjumlah besar serta proses klasifikasi yang lebih cepat. Penelitian ini bertujuan untuk menganalisis model CNN yang terbaik untuk digunakan dalam klasifikasi mutu cengkeh dan menguji performansi dari model CNN menggunakan data. 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 1200 gambar. Kemudian gambar tersebut dibagi menjadi 70% data training, 20% data validasi dan 10% data testing untuk setiap mutu. Sebelum proses training dijalankan, ditentukan konfigurasi hyperparameter seperti learning rate dengan nilai 0,0001 dan 0,00005, batch size dengan nilai 20, validation frequency 20 dan epoch dengan nilai 60. Kemudian gambar tersebut diklasifikasi menggunakan arsitektur AlexNet, GoogLeNet, Inception-V3 dan ResNet-50. Hasil penelitian menunjukkan akurasi yang sangat tinggi dalam proses pelatihan dan validasi. Enam model CNN terbaik yaitu AlexNet (optimasi = SGDm, learning rate = 0,00005), GoogLeNet (optimasi = SGDm, learning rate = 0,0001), GoogLeNet (optimasi = Adam, learning rate = 0,0001), Inception-V3 (optimasi = RMSProp, learning rate = 0,00005), ResNet-50 (optimasi = Adam, learning rate = 0,00005) dan ResNet-50 (optimasi = RMSProp, learning rate = 0,0001) mampu mencapai pelatihan dan akurasi validasi 100%. Akurasi klasifikasi berdasarkan berdasarkan confusion matrix mencapai 100% pada pengujian lebih lanjut menggunakan data testing.

English Abstract

The territory of the Indonesian state cannot be separated from plantation products, one of the plantation products is cloves. Clove cultivation in Indonesia is dominated by smallholder plantations. In the clove plant, one part of the plant that is used is the clove flower. According to (SNI 01-3392-1994), the quality of cloves is divided into 3 classes based on the essential oil content, color and size. Conditions lately the quality of cloves has the problem of declining quality. One of the factors is that the clove quality classification process is still done manually using human power. Many people experience losses due to the reduced quality of the cloves produced. Therefore, this study will classify cloves using the Convolutional Neural Network (CNN) architecture which can process large amounts of data and the classification process is faster. This study aims to analyze the best CNN model to be used in the classification of clove quality and to test the performance of the CNN model using the data. In this study, 4 classifications of PTPN 12 product quality were used, namely bud 1, bud 2, dead seeds and pods. With the total number of image data used as many as 1200 images. Then the image is divided into 70% training data, 20% data validation and 10% testing data for each quality. Before the training process is run, the configuration of hyperparameters is determined such as learning rate with values of 0.0001 and 0.000005, batch size with a value of 20, validation frequency 20 and epoch with a value of 60. Then the images are classified using the AlexNet, GoogLeNet, Inception-V3 and Inception-V3 architectures. Network reset-50. The results showed a very high accuracy in the training and validation process. The six best CNN models are AlexNet (optimization = SGDm, learning rate = 0.000005), GoogLeNet (optimization = SGDm, learning rate = 0.0001), GoogLeNet (optimization = Adam, learning rate = 0.0001), Inception-V3 (optimization = RMSProp, learning rate = 0.000005), ResNet-50 (optimization = Adam, learning rate = 0.00005) and ResNet-50 (optimization = RMSProp, learning rate = 0.0001) were able to achieve training and validation accuracy of 100%. The classification accuracy based on the confusion matrix reaches 100% on further testing using data testing.

Item Type:	Thesis (Sarjana)
Identification Number:	0522100427
Uncontrolled Keywords:	Klasifikasi Mutu Cengkeh, AlexNet, GoogLeNet, Inception-V3, ResNet-50,Clove Quality Classification, AlexNet, GoogLeNet, Inception-V3, ResNet-50.
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	soegeng sugeng
Date Deposited:	08 Feb 2023 07:48
Last Modified:	08 Feb 2023 07:48
URI:	http://repository.ub.ac.id/id/eprint/197350

Text (DALAM MASA EMBARGO) Rifki Wahyudi.pdf Restricted to Registered users only until 31 December 2024. Download (3MB)

Actions (login required)

View Item