Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
PPT SEMINAR PROPOSAL KLASIFIKASI CNN.pptx
1. SEMINAR PROPOSAL
ANALISIS KLASIFIKASI JENIS BERAS
MENGGUNAKAN METODE
CONVOLUTIONAL NEURAL NETWORK
(CNN)
DISUSUN OLEH :
RISYAD MAULANA IQBAL
NPM. 3332180024
DOSEN KONSULTAN :
RIAN FAHRIZAL S.T., M.Eng.
NIP. 19751026200501100
2. LATAR BELAKANG
Pengolahan citra dalam bidang agriculture /
pertanian sudah banyak dilakukan seiring
perkembangan teknologi yang ada
Salah satu penerapan yang sudah banyak
dilakukan ialah proses pengklasifikasian
berupa varietas, kematangan hingga penyakit
dalam sebuah tanaman
3. LATAR
BELAKANG
ISTILAH
Beras merupakan suatu komoditas
yang strategis karena menjadi bahan
pangan pokok bangsa Indonesia
NILAI PRODUKSI
Produksi beras Indonesia di kancah
internasional menduduki posisi ke 3
dengan total 70.600.000 (Ton) (2014)
Saat ini ada di posisi 4
Dengan total 54.420.000 (2021)
NILAI EKSPORT
Ekspor beras Indonesia mencapai
persentase 14% ekport dunia
2018 Sebesar 20.129.00 Ton
2019 Sebesar 22.150.00 Ton
2020 Sebesar 22.204.00 Ton
2021 Sebesar 22.204.00 Ton
NILAI IMPORT
2017 Sebesar 305.274,9 Ton
2018 Sebesar 71.034.00 Ton
2019 Sebesar 78.088.00 Ton
2020 Sebesar 78.796.00 Ton
2021 Sebesar 78.796.00 Ton
NILAI KONSUMSI
Pada 2015 Mencapai 29.178.940 Ton
Pada 2017 Mencapai 29.133.514 Ton
Pada 2019 Mencapai 28.692.107 Ton
4. LATAR
BELAKANG
KESINAMBUNGAN ANTARA NILAI
Dengan Jumlah Produksi Beras Indonesia Yang Melimpah,
Sayangnya Tidak Dapat Sepenuhnya Memenuhi Kebutuhan
Pangan Serta Ketersediaan Beras Nasional.
Hal Tersebut Ditandai Dengan Adanya Kebijakan Import
Beras Yang Berdampak Pada Komuditas Masyarakat
Indonesia Akan Beras Import Meningkat Setiap Tahunnya.
PENGGUNAAN METODE
Convolution Neural Network umum
digunakan untuk data image dan biasa
digunakan dalam mengidentifikasi objek
pada sebuah gambar dimana metode ini
memiliki keakurasian jaringan yang akurat
MAKSUD SISTEM YANG DIRANCANG
Ditujukan Untuk Menganalisis Sebuah Sistem Arsitektur Yang
Dapat Melakukan Klasifikasi Jenis Beras Dari Citra Gambar
Sehingga Pelaku Usaha Maupun Konsumsi Rumah Tangga Biasa
Dapat mengklasifikasi Beras Seperti Arborio, Basmati, Ipsala,
Jasmine, dan Karacadag Secara Digital Dan Lebih Akurat
5. RUMUSAN
MASALAH
Melakukan analisis pada sistem klasisfikasi pengidentifikasian jenis beras
menggunakan metode Convolution Neural Network (CNN) terhadap beberapa
citra gambar beras yang sudah dikumpulkan, kemudian data citra gambar
tersebut akan terus latih menggunakan menggunakan Google collabs untuk
mendapatkan hasil performa yang baik dan keakurasian yang tinggi dalam
pengklasifikasian jenis beras.
6. TUJUAN
PENELITIAN
1
Merancang arsitektur Convolution
Neural Network (CNN) untuk
mengklasifikasi jenis beras.
2
Melatih arsitektur Convolution
Neural Network (CNN) untuk
mengklasifikasi jenis beras. 3
Menguji arsitektur Convolution Neural
Network (CNN) dalam pengklasifikasian
jenis beras yang sudah dilatih agar
mendapat ke akurasian yang tinggi.
7. BATASAN
MASALAH
1
Metode deep learning yang digunakan
dalam melakukan analisis klasisfikasi
jenis beras menggunakan Convolution
Neural Network (CNN).
2
Arsitektur yang dirancang hanya untuk
membedakan 5 jenis beras, yaitu beras
basmati, beras arborio, beras jasmine,
beras karacadag dan beras ipsala.
3
Program identifikasi jenis beras dengan citra
gambar dirancang dengan bahasa pemograman
Phyton dengan interface serta arsitektur
dirancang menggunakan media platform Google
Collabs.
4
Pembuatan model deep learning
pada klasifikasi jenis beras dengan
citra gambar menggunakan
framework keras. 5
Jumlah dataset yang diambil untuk dilatih
akurasi berjumlah 1250 citra gambar dari 5
jenis beras yang berbeda dengan datatest
sebanyak 500 citra gambar.
8. MANFAAT
PENELITIAN 3
Model arsitektur yang dibuat diharapkan
bisa implementasikan dalam masyarakat
khususnya dalam bidang pertanian pada
penelitian selanjutnya
1
Mempermudah dalam proses klasifikasi
untuk mengidentikasi jenis beras
dengan citra gambar berdasarkan
bentuk, ukuran serta warnanya 2
Mampu menganalisis arsitektur yang
dirancang dalam pengklasifikasian jenis
beras melalui deep learning
9. TINJAUAN
PUSTAKA
Arum TiaraSari, Emy Haryatmi (2021)
Penerapan Convolutional Neural Network pada
Deep Learning dalam
Pendeteksian Citra Biji Jagung Kering
Murat Koklu , Ilkay Cinar,
Yavuz Selim Taspinar
(2021)
Classification of rice varieties with
deep learning methods
Zhengjun Qiu, Jian Chen, Yiying Zhao,
Susu Zhu, Yong He, Chu Zhang (2018)
Variety Identification of Single Rice Seed Using
Hyperspectral Imaging Combined with
Convolutional Neural Network
Ilkay CINAR , Murat KOKLU
(2019)
Classification of Rice Varieties
Using Artificial Intelligence
Methods
Jiraporn Onmankhong,
, Te Ma, Tetsuya Inagaki, Panmanas
Sirisomboon, Satoru Tsuchikawa (2022)
Cognitive spectroscopy for the classification of
rice varieties: A comparison
of machine learning and deep learning
approaches
1
2
3
4
5
11. Dataset
Tahapan Pre-Processing
Training Set Validation Set UJi Coba Images
VGG16Net
Evaluasi Result
METODOLOGI
PENELITIAN
PERANCANGAN ALGORITMA
Acquired Images
Validation K-Fold
Cross
Prediction
Model CNN
12. Proses Pelatihan Dengan Model
Arsitektur
Convolutional Neural Network (CNN)
Model Learning
Pelatihan Selesai
Input Pelatihan Dataset
Mulai Pelatihan
METODOLOGI
PENELITIAN
TRAINING DATASET DAN DATA TEST
13. METODOLOGI
PENELITIAN
Input Gambar Citra Beras
Klasifikasi Jenis Beras
Mulai Uji Kehandalan
Evaluasi Model
Uji Kehandalan Selesai
UJI KEHANDALAN SISTEM
ARSITEKTUR
Ya
Tidak
Hasil
Sesuai
14. ALAT DAN
BAHAN
PERANGKAT LUNAK
Google Chrome Version 64-bit 89.0.4389.114
Google Colaboratory
Keras Framework
Kaggle Dataset Images
PERANGKAT KERAS
- Laptop Lenovo Type Ideapad 110 (Penulisan Laporan)
Processor Amd A9 7th Gen
HDD Storage 1 TB
OS Windows 10
- Computer Lenovo (Sebagai Virtual Google Colaboratory)
Processor Core I5 Low Voltage
HDD Storage 1 TB
OS Windows 10
BAHAN
Dataset
Format : .jpg
Ukuran : 250x250
Jumlah : 1250 Citra Gambar
Label : 5 varietas
(Arborio, Basmati, Ipsala, Jasmine, dan Karacadag)
Datatest
Format : .jpg
Ukuran : 250x250
Jumlah : 500 Citra Gambar
Label : 5 Label
(datatest 1, datatest 2, datatest 3, datatest 4, dan datatest 5)
(Arborio, Basmati, Ipsala, Jasmine, dan Karacadag)
15. JADWAL
PENELITIAN
No. Nama Kegiatan
Bulan Pelaksanaan
Aprl Mei Juni Jul Agst Sept
1
Persiapan Penelitian
Konsultasi Dan Pengajuan
Judul Penelitian
Penyusunan Proposal
Penelitian
Pengajuan Proposal
Penelitian
2
Pelaksanaan Penelitian
Pengambilan Data
analisis Data
3
Penyelesaian Laporan
Penelitian
16. DAFTAR
PUSTAKA
1
Sari, A. T., E. Haryatmi.,
Penerapan Convolutional Neural Network Deep Learning
dalam Pendeteksian Citra Biji Jagung Kering.
Jurnal Rekayasa Sistem Dan Teknologi Informasi
(RESTI), 2021. Vol. 5, No. 2, pp. 265-271.
2
Koklu, M., I. Cinar., Y. S. Taspinar.,
Classification Of Rice Varieties With
Deep Learning Methods.
Journal Computers And Electronics
In Agriculture 187, 2021.
3
Qiu, Z., J. Chen., Y. Zhao., S. Zhu., Y. He., C. Zhang.,
Variety Identification of Single Rice Seed Using
Hyperspectral Imaging Combined With Convolutional
Neural Network.
Journal Applied Sciences MDPI, 2018. Vol. 8, No. 212..
17. DAFTAR
PUSTAKA
4
Cinar, I., Murat. K.,
Classification of Rice Varieties Using Artificial
Intelligence Methods.
International Journal Of Intelligent Systems And
Applications In Engineering (IJISAE), 2019. Vol. 7,
No. 3, pp. 188-194.
5
Onmankhong, J., T. Ma., T. Inagaki., P. Sirisomboon.,
Cognitive Spectroscopy For The Classification Of Rice Varieties:
A Comparison Of Machine Learning And Deep Learning
Approaches In Analysing Long-Wave Near-Infrared
Hyperspectral Images Of Brown And Milled Samples.
Journal Infrared Physics and Technology 123, 2022.