Implementasi Convolutional Neural Networks untuk Klasifikasi Citra Tomat Menggunakan Keras

Abstract

Indonesia merupakan salah satu negara dengan potensi pertanian yang luar biasa. Salah satu hasil pertanian di Indonesia yaitu tomat. Berdasarkan data dari Badan Pusat Statistik (BPS) tahun 2012 menyebutkan bahwa tomat merupakan komoditas holtikultura dengan laju produktivitas menempati posisi kedua setelah bawang merah. Tingginya laju produksi dikarenakan tingginya kebutuhan masyarakat baik nasional maupun internasional seiring adanya tuntutan terhadap kualitas tomat yang terjamin. Proses pemilihan produk hasil pertanian dan perkebunan umumnya sangat bergantung pada presepsi manusia. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada objek yang akan diklasifikasi. Identifikasi dengan cara ini memiliki beberapa kelemahan, di antaranya adalah adanya keterbatasan visual manusia, serta sangat dipengaruhi oleh kondisi psikis pengamatnya. Hal tersebut juga bisa mengakibatkan tidak konsisten dalam proses pemilihannya. Tentu saja cara manual yang dilakukan terlalu banyak memakan waktu terutama bagi perkebunan besar. Perkembangan teknologi dan ilmu pengetahuan sehingga memungkinkan untuk dapat melakukan klasifikasi atau dalam hal pemilihan objek menggunakan teknologi berdasarkan karakteristik yang ditentukan berbasis citra digital. Citra digunakan sebagai sumber informasi yang dapat digunakan untuk melakukan klasifikasi objek. Salah satu metode Deep Learning yang efektif untuk digunakan yaitu Convolutional Neural Networks (CNN) dikarenakan kedalaman jaringan yang tinggi dan banyak diaplikasikan pada data citra. Jaringan pada CNN mempunyai lapisan khusus yang disebut dengan lapisan konvolusi. Proses konvolusi citra pada penelitian ini menggunakan package Keras pada software RStudio versi 1.1.383, dikarenakan pembuatan model jaringan syaraf menggunakan Keras tidak perlu menuliskan kode untuk mengekspresikan perhitungan matematisnya satu persatu. Pengujian dengan sampel 100 citra tomat menunjukkan tingkat akurasi sebesar 90% yang dinilai telah mampu melakukan identifikasi kelayakan buah tomat.