Journal System Lembaga Penerbitan Bina Patria

Sumahiradewi, Luh Gede

Liliyanti, Mita Ayu

Sudiartana, I Wayan

English

Malik, Rizky Abdul

Zuliarso, Eri

    ISSN No. 1978-3787 
    Open Journal Systems  Media Bina Ilmaih 5873 
……………………………………………………………………………………………………... 
http://ejurnal.binawakya.or.id/index.php/MBI Vol.15 No.12 Juli 2021 
METODE CONVOLUTIONAL NEURAL NETWORK UNTUK MENDETEKSI JENIS 
SAYUR MENGGUNAKAN TENSORFLOW 
 
Oleh  
Rizky Abdul Malik*1, Eri Zuliarso2 
1,2Program Studi Teknik Informatika, UNISBANK Semarang 
e-mail: *1gandalfkun582@gmail.com, 2eri299@edu.unisbank.ac.id  
 
Abstrak 
Sayuran merupakan bahan pangan yang sering dikonsumsi masyarakat, dengan berbagai macam bentuk 
dan karakteristik yang berbeda-beda, masih banyak masyarakat yang sulit membedakan nama sayuran 
yang dimiliki karena memiliki tingkatan kemiripan yang tinggi oleh karena itu dibutuhkan bantuan digital 
untuk dapat membedakan setiap karakteristik yang dimiliki tanaman tersebut. Sayuran yang digunakan 
dalam penelitian adalah : bayam, brokoli, buncis, kale, kangkung, daun kates, kubis, pare, peterseli, sawi, 
seledri, daun singkong, terong, timun, tomat, dan wortel, dataset yang digunakan memiliki 16 jenis 
sayuran dan berjumlah 2400 gambar sayur. Algoritma Convolutional Neural Network (CNN) digunakan 
untuk klasifikasi jenis sayuran, yang berlaku dalam bidang ilmu Machine Learning. CNN adalah 
algoritma termasuk dalam bagian metode Deep Learning yang memiliki kemampuan baik dalam 
Computer Vision seperti image classification. penelitian ini menggunakan perangkat seluler android 
sebagai tempat untuk uji coba, bahasa yang digunakan adalah python dimana berguna untuk merancang 
aplikasi mobile ini dengan model tensorflow untuk training dan testing data. Pada penelitian ini kami 
mengklasifikasi citra menggunakan metode CNN dengan jumlah akurasi sebesar 85%. 
Kata Kunci: Convolutional Neural Network (CNN), deteksi sayur, Tensorflow, TFLite, Mechine 
Learning. 
PENDAHULUAN 
Indonesia sangat kaya akan floranya. Buka 
hanya flora namun juga memiliki tanah yang 
subur, yang menyebabkan banyak tumbuhan 
tropis hidup di kawasan ini. Selain tumbuh liar 
di hutan, bebrapa jenis tanaman telah banyak 
dibudidayakan untuk memenuhi kebutuhan 
manusia. Beberapa tanaman budidaya dapat 
dimanfaatkan sebagai sayuran. [1] 
Sayuran memiliki bermacam-macam jenis  
sehingga memiliki karakteristik yang berbeda-
beda pada setiap jenisnya, masih banyak orang 
yang kesulitan dalam membedakan jenis 
sayuran yang ada, oleh karena itulah 
diperlukan bantuan digital untuk membedakan 
setiap karakteristik yang dimiliki pada citra 
sayuran.[2] 
Citra adalah susunan pixel memiliki 
koordinat  (x,y) dan amplitude (x,y) dan 
berbentuk diskrit pada bidang dua dimensi 
dimana  citra sudah ada sejak tahun 1921, pada 
tahun tersebut merupakan foto pertama kali 
yang dihasilkan.[3] 
Pada penelitian ini akan meneliti tentang 
deteksi jenis sayur menggunakan tensorflow 
dengan metode Convolutional Neural Network 
(CNN). Peneliti mengunakan 16 jenis sayuran 
untuk dataset yang akan digunakan dalam 
membuat model, diantaranya ialah : bayam, 
brokoli, buncis, kale, kangkung, daun kates, 
kubis, pare, peterseli, sawi, seledri, daun 
singkong, terong, timun, tomat, dan wortel, 
setiap jenis sayur memiliki gambar berjumlah 
150 dengan jumlah keseluruhan 2400. 
Sebelum dataset digunakan peneliti akan 
mengolah citra supaya computer dapat 
memahaminya. Teknik ini disebut sebagai 
5874 Media Bina Ilmiah  ISSN No. 1978-3787 
  Open Journal Systems 
…………………………………………………………………………………………………….... 
Vol.15 No.12 Juli 2021  http://ejurnal.binawakya.or.id/index.php/MBI 
pengolahan citra (image processing), metode 
yang digunakan adalah pendekatan CNN yang 
merupakan metode pada machine learning. [4]
  
LANDASAN TEORI 
Tinjauan pustaka 
Syarifah Rosita Dewi (2018) melakukan 
sebuah penelitian pengenalan objek meja dan 
kursi motif ukiran jepara menggunakan 
framework Tensorflow. Data yang digunakan 
pada penelitian tersebut adalah 500 gambar 
dimana pada hasil akurasi yang didapatkan 
saat menggunakan metode CNN sebesar 98% 
pada saat mendeteksi meja dan kursi motif 
jepara pada frame gambar dan video. [1] 
Triano nurhikmat (2018) melakukan 
penelitian tentang pengenalan tokoh-tokoh 
wayang menggunakan CNN drngan metode 
deep learning. Pada penelitian ini sang peneliti 
akan mengklasifikasikan setiap citra wayang 
yang ada agar dapat digunakan sebagai model, 
tingkat akurasi yang dimiliki pada saat proses 
training sebesar 95% dan untuk proses testing 
sebesar 90%. Setelah melakukan training dan 
testing peneliti juga mencoba uji coba dengan 
data yang baru, tingkat akurasi yang 
didapatkan menggunakan data baru sebesar 
93%, dengan hasil akurasi yang didapatkan 
melalui data baru dapat disimpulkan bahwa 
performa pada model memiliki tingkat optimal 
dalam mengklasifikasi yang baik. [2] 
Yunita aulia hasma dkk (2018) peneliti 
akan melakukan deteksi jerawat menggunakan 
image processing dan deep learning sebagai 
metode serta dapat digunakan secara realtime. 
Untuk bahasa pemprograman sistem 
menggunakan python dan menggunakan 
framework Tensorflow dengan model Faste R-
CNN untuk mendapat tingkat akurasi yang 
tinggi. Sistem akan mengklasifikasikan data 
jerawat terlebih, data yang digunakan sebagai 
model yaitu jerawat, bekas jerawat, dan pus, 
akurasi yang didapat pada proses training 
sebesar 72,4%. [3] 
Muhammad arsal dkk (2020) meneliti 
tentang Face Recognition dengan 
menggunakan pembahasan deep learning serta 
algoritma Convolutional Neural Network 
(CNN) agar dapat mendapatkan tingkat akurasi 
yang tinggi, bahasa pemprograman yang 
digunakan adalah python. Ada beberapa 
tahapan pada penelitian ini yaitu akuisisi 
gambar, preprocessing, ektraksi, klasifikasi, 
dan identifikasi data gambar. Penelitian ini 
menggunakan wajah 5 orang pegawai bank 
sebagai dataset dimana setiap data wajah 
terdiri dari 70 data dengan data keseluruhan 
350 data wajah. Penelitian ini tipisahkan 
menjadi beberapa uji coba data yaitu train, 
validasi data, dan uji hasil data. Pada hasil 
akhir dari ketiga uji coba tersebut memiliki 
akurasi sebesar 95% dan penelitian program 
tersebut berhasil digunakan oleh pegawai bank 
sebagai pintu akses ruangan perkantoran. [4] 
Rima apriani doga dkk (2019) Penelitian 
ini bertujuan mendesain sebuah sistem untuk 
mendeteksi nominal uang logam dan 
menampilkan jumlah dari uang yang 
terindentifikasi menggunakan Tensorflow dan 
algoritma Convolutional Neural Network. 
Proses pelatihan model dimulai dari tahapan 
mengumpulkan dataset berupa 511 gambar 
dimana 80% dari dataset merupakan citra latih 
dan 20% dari dataset adalah citra uji. 
Kemudian tahapan preprocessing yaitu  
melakukan pelabelan objek pada setiap 
gambar menjadi 4 kelas yaitu Rp.100 , Rp.200, 
Rp.500 dan Rp.1000. Tahapam terakhir adalah 
training dataset dimana feeding data TFRecord 
didapat dari file CSV hasil konversi berkas 
XML pelabelan gambar. Pengujian jarak dan 
kemiringan kamera menunjukan jarak ideal 
antara kamera dan objek adalah 12-16 cm dan 
posisi kemiringan kamera yang baik adalah 0-
20˚ terhadap bidang mendatar dimana rata-rata 
87% dari objek dikenali dengan benar. Hasil 
pengujian pengaruh kondisi pencahayaan 
menunjukan sistem bekerja optimal pada 
kondisi pencahayaan 120-200 lux. [5] 
ISSN No. 1978-3787  Media Bina Ilmiah 5875 
Open Journal Systems 
……………………………………………………………………………………………………… 
 
http://ejurnal.binawakya.or.id/index.php/MBI   Vol.15 No.12 Juli 2021 
 
 
Christopher Albert Lorentius dkk (2019) 
meneliti tentang deteksi aksara jawa 
menggunakan deep learning dengan metode 
Convolutional Neural Network (CNN), bahasa 
pemprograman yang digunakan adalah python, 
hasil akurasi yang didapatkan dalam uji coba 
metode CNN sebesar 95,04%. [6] 
Tutut Furi Kusumaningrum (2018) 
meneliti tentang deteksi jenis jamur dengan 
metode Convolutional Neural Network (CNN) 
dan metode Keras ,  dengan menggunakan 
CNN peneliti dapat memanfaaatkan kelebihan 
metode tersebut dalam mengklasifikasikan 
suatu objek, data yang digunakan ada tiga jenis 
jamur yang banyak dibudidayakan di 
Indonesia. Pada saat uji coba akurasi yang 
didapatkan sebesar 100% untuk training dan 
81,667% untuk testing. [7] 
Samuel Febrian Tumewu dkk (2020) 
meneliti tentang klasifikasi pada motif batik 
menggunakan metode CNN dan arsitektur 
Reset agar dapat mengenali pola motif batik. 
Hasil uji coba CNN pada training dataset 
memberikan akurasi sebesar 84,52% pada 
Resnet-18 dan 81,90% pada Resnet-50. [8] 
Deep Learning  
Deep Learning adalah salah satu bagian 
mechine learning yang dikembangkan dari 
neaural network multiple layer, deep learning 
digunakan sebagai deteksi objek dimana cara 
kerjanya seperti otak manusia dimana dia akan 
mengklasifikasi, menyimpan dan mengakses 
data. Deep learning menggunakan layered 
learning atau pembelajaran berlapis sebagai 
support computer dalam mengklasifikasi, 
kegunaan deep learning di penelitian ini aialah 
untuk pengenalan jenis sayur dan klasifikasi 
gambar sayur, cara kerja dalam penelitian ini 
yaitu pada saat telah memasukan gambar maka 
setiap lapisan konvolusi akan mengolah dan 
difilter berdasarkan lapisan yang akan 
digunakan, setiap hasil yang didapatkan setiap 
lapisan akan berbeda-beda dimana akan 
memudahkan proses klasifikasi 
 
Gambar 1. Deep Learning 
 
Convolutional Neural Network(CNN) 
Convolutional Neural Network adalah  
jenis algoritma deep learning yang dapat 
menerima input gambar  dan menentukan 
obyek  pada gambar yang dapat digunakan 
sebagai sumber mengenali gambar unttuk 
membedakan antara setiap gambar yang ada. 
Proses Layer pada CNN dibagi menjadi 2 
bagian yaitu Classification dan Feature 
Learning. 
Gambar 2. Arsitektur CNN 
 
Pada gambar 2 diatas bisa dilihat bahwa 
algoritma cnn terdiri dari 2 bagian salah 
satunya adalah classification dimana pada 
bagian ini bertugas untuk mengklasifikasikan 
tiap data yang telah disiapkan dan akan di 
diektraksi menjadi beberapa bagian yaitu 
Flatten, Fully-Connected Layer, Softmax. 
Pada bagian selanjutnya adalah feature 
learning dimana pada bagian ini akan berguna 
sebagai tempat translasi untuk merubah input 
5876 Media Bina Ilmiah  ISSN No. 1978-3787 
  Open Journal Systems 
…………………………………………………………………………………………………….... 
Vol.15 No.12 Juli 2021  http://ejurnal.binawakya.or.id/index.php/MBI 
menjadi features berdasarkan keunikan atau 
ciri pada input tersebut dimana akan dirubah 
menjadi angka-angka pada vector, lapisan 
yang ada pada feature learning adalah 
Convolutional Layer, dan Pooling Layer. 
Tensorflow lite 
Tensorflow lite merupakan bagian dari 
library machine learning yang digunakan 
khusus untuk perangkat mobile, ini 
memungkinkan machine untuk  learning di 
perangkat dengan latensu rendah dan ukuran 
binary yang kecil. 
 
METODE PENELITIAN 
Skema Alur Penelitian 
Peneliti akan menggunakan beberapa 
bahasa pemprograman yaitu java dan python 
dimana peneliti menggunakan website khusus 
kaggle.com untuk dapat menjalankan bahasa 
pemprograman python, pada bahasa 
pemprograman python sendiri akan digunakan 
untuk uji coba dataset menggunakan algoritma 
CNN  dan membuat model TFLite sebagai 
model yang akan digunakan dalam pembuatan 
penelitian ini, untuk pemprograman java / 
pembuatan aplikasi peneliti menggunakan 
android studio sebagai tempat menggabungkan 
model TFLite dengan codingan pembuatan 
TFLite serta bundle apk. 
Gambar 3. Diagarm Alur Pembuatan Deteksi 
Jenis Sayur 
 
Pengumpulan Data 
Peneliti akan menggunakan berbagai 
macam gambar sayuran sebagai data uji coba, 
data tersebut berjumlah 16 jenis sayuran 
dimana data tersebut didapatkan dari google, 
satu folder jenis sayur berisikan 150 gambar 
dengan jumlah keseluruhan 2400 dimana nanti 
data tersebut akan digunakan sebagai training 
data dan testing data, format yang digunakan 
untuk data tersebut adalah jpg. 
Analisis Data 
Dalam penelitian ini terdapat 3 data yang 
dibutuhkan yaitu : 
1. Data training  
Data training digunakan sebagai proses 
training data jenis sayur dengan jumlah data 
sebesar 2400 gambar sayur yang akan di 
training. 
2. Data Validasi 
Data validas adalaah data yang digunakan 
pada saat proses training yaitu untuk 
melakukan pengujian ketepatan saat 
melakukan proses training 
3. Data test  
Data test adalah data yang digunakan untuk 
menguji sistem pada saat dijalankan di kaggle. 
 
HASIL DAN PEMBAHASAN 
Penelitian bertujuan untuk dapat 
menghitung ketepatan sistem dalam 
mendeteksi jenis sayur serta 
mengklasifikasikan setiap data yang 
digunakan, data utama merupakan data dalam 
bentuk gambar yang memiliki format jpg dan 
didapat melalui google, data memiliki 16 jenis 
folder dimana masing-masing folder berisikan 
150 gambar dengan total keseluruhan 2400 
yang terdiri dari : 
1) Bayam 
2) Brokoli 
3) Buncis 
4) Kale 
5) Kangkung 
6) Kates  
7) Kubis 
8) Pare 
9) Peterseli 
10) Sawi 
11) Seledri 
ISSN No. 1978-3787  Media Bina Ilmiah 5877 
Open Journal Systems 
……………………………………………………………………………………………………… 
 
http://ejurnal.binawakya.or.id/index.php/MBI   Vol.15 No.12 Juli 2021 
 
 
12) Daun singkong 
13) Terong 
14) Timun 
15) Tomat 
16) Wortel 
Gambar 4. Dataset jenis sayur 
 
 
Pada saat proses training citra akan 
memiliki beberapa proses Convolutional 
Layer, pada proses Convolutioanl Layer 
pertama peneliti akan menggunaan filter 32 
kernel untuk dapat mengetahui parameter 
13856 perhitungan yang dilakuan yaitu (12 x 
12 x 3 + 1) 32 = 13856. Setelah keluar hasil 
dari convolutional pertama maka proses akan 
dilanjutkan oleh Convolutinal kedua dengan 
filter 64 kernel, memiliki ukuran 17 x 17 x 64 
dimana memiliki parameter 18496, untuk 
mengetahui parameter tersebut maka akan 
menggunaan perhitungan (17 x 17 x 1) x 64 = 
18496. 
Gambar 5. Pelatihan setiap layer / 
perhitungan model loss dan accuracy 
 
x  
Setelah proses Convolutional kedua 
selesai maka peneliti akan melanjutkan proses 
tersebut menuju tahap selanjutnya yaitu 
Convolutional ketiga dimana pada tahapan ini 
memiliki ukuraan 17 x 17 x 96 maka peneliti 
akan melakukan perhitungan untuk 
mengetahui parameter dari rumus tersebut 
dengan cara (17 x 17 x 2 – 1) x 96 = 55392. 
Setelah selesai peneliti akan menuju ke tahap 
Convolutional keempat , untu tahapan ini 
memiliki filter 96 kernel 17 x 17 x 96 
memiliki parameter 83040. 
Gambar 6. Summery table/ sequential/ hasil 
pelatihan setiap layer 
5878 Media Bina Ilmiah  ISSN No. 1978-3787 
  Open Journal Systems 
…………………………………………………………………………………………………….... 
Vol.15 No.12 Juli 2021  http://ejurnal.binawakya.or.id/index.php/MBI 
 
Melalui gambar 6 tersebut dapat kita lihat hasil 
dari pelatihan setiap layer yang telah kita uji  
dari dataset, dapat diketahui untuk hidden 
layer dari dataset yang telah ditraining 
memiliki hasil sebesar 4.158.764. jumlah 
epoch yang digunakan untuk training data 
tersebut sebesar 50 epoch, setelah training 
selesai maka akan hasil akan disimpan untuk 
proses testing. 
Contoh Kasus 
Dari hasil uji coba dengan citra jenis 
sayur dengan metode Convolutional Neural 
Network (CNN), pada setiap gambar akan 
memiliki : 
Frame 640 x 680 
Crop 224 x 224 
View 480 x 480  
Rotation 90 
Gambar 7. Hasil uji coba kale 
 
Memiliki tingkat akurasi sebesar : 
Kale  : 95,03%  
Perteseli  : 3,11% 
Brokoli : 0,82% 
Gambar 8. Hasil uji coba kates 
ISSN No. 1978-3787  Media Bina Ilmiah 5879 
Open Journal Systems 
……………………………………………………………………………………………………… 
 
http://ejurnal.binawakya.or.id/index.php/MBI   Vol.15 No.12 Juli 2021 
 
 
 
Memiliki tingkat akurasi sebesar : 
Kates  : 94.08% 
Singkong : 4,15% 
Peterseli  : 0,78% 
Gambar 9  Hasil uji coba peterseli 
 
Memiliki tingkat akurasi sebesar : 
Peterseli : 92,00% 
Kates   : 5,18% 
Kale  : 1,29% 
 
 
Gambar 10 Hasil uji coba sawi 
5880 Media Bina Ilmiah  ISSN No. 1978-3787 
  Open Journal Systems 
…………………………………………………………………………………………………….... 
Vol.15 No.12 Juli 2021  http://ejurnal.binawakya.or.id/index.php/MBI 
 
Memiliki tingkat akurasi sebesar : 
Sawi   : 91,84% 
Peterseli : 2,55% 
Kale   : 0,87% 
 
 
 
KESIMPULAN DAN SARAN 
Kesimpulan 
Kesimpulan yang dapat diambil pada 
Deteksi Jenis Sayur Menggunakan Tensorflow 
Dengan Metode Convolutional Neural 
Network (CNN) sebagai berikut :  
a. Dengan menggunakan metode CNN 
peneliti dapat melakukukan prediksi gambar 
dengan klasifikasi agar dapat mendapatkan 
tingkat akurasi yang tinggi. 
b. Model sayur yang dibuat memiliki 
tingkatan akurasi sebesar 80%, kesimpulan ini 
didapat dari hasil akurasi yang telah diproleh 
selama pengujian model testing. 
 
Saran 
Pada kesimpulan sebelumnya ada 
beberapa saran yang perlu dilakukan pada 
pengembangan selanjutnya yaitu untuk 
menambah lebih banyak gambar atau data 
yang akan digunakan untuk train dan test data 
agar dapat meningkatkan tingkat akurasi untuk 
memprediksi gambar.  
 
DAFTAR PUSTAKA 
[1] Rima, A.D., Hendro, F.J.L., Stephanie, 
L.P. (2019). Sistem Identifikasi Nominal 
Uang Logam Menggunakan Tensorflow 
Dan Convolutional Neural Network 
Berbasis Rasberry PI,  Kupang : Seminar 
Nasional Sains Dan Teknik FST Undana 
(SAINTEK). 
[2] Yunita, A.H., Widya, S. (2018). 
Implementasi Deep Learning 
Mneggunakan Framework Tensorflow 
Dengan Metode Faster Regional 
Convolutional Neural Network Untuk 
Pendeteksian Jerawat, Depok : Jurusan 
Teknik Informatika, Fakultas Teknologi 
Industri Universitas Gunadarma. 
[3] Christopher, A.L., Rudym A., Alvin, T. 
(2019). Pengenalan Aksara Jawa Dengan 
Menggunakan Metode Convolutional 
Neural Network, Surabaya : Universitas 
Kristen Petra. 
[4] Samuel, F.T., Djoni, H.S., Indar, S. (2020). 
Klasifikasi Motif Batik Menggunakan 
ISSN No. 1978-3787  Media Bina Ilmiah 5881 
Open Journal Systems 
……………………………………………………………………………………………………… 
 
http://ejurnal.binawakya.or.id/index.php/MBI   Vol.15 No.12 Juli 2021 
 
 
Metode Deep Convolutional Neural 
Network Dengan Data Augmentation, 
Surabaya: Program Studi Informatika, 
Fakultas Teknologi Industri, Universitas 
Kristen Petra. 
[5] Syarifah, R.D. (2018). Deep Learing 
Object Detection Pada Video 
Menggunakan Tensorflow Dan 
Convolutional Neural Network, 
Yogyakarta : Universitas Islam 
Indonesia. 
[6] Muhammad, A., Bheta, A.W., Dina, A. 
(2020). Face Recognition Untuk Akses 
Pegawai Bank Menggunakan Deep 
Learning Dengan Metode CNN, Jurnal 
Nasional Teknologi Dan Sistem 
Informasi – Vol 06 No. 01 (2020) 055-
063. 
[7] Triano, N. (2018) Implementasi Deep 
Learning Untuk Image Classifiation 
Mengunakan Algoritma Covolutional 
Neural Network (CNN) Pada Citra 
Wayang Golek, Yogyakarta : Universitas 
Islam Indonesia. 
[8] Tutut, F.K. (2018). Implementasi 
Convolution Neural Network (CNN) 
Untuk Klasifikasi Jamur Konsumsi Di 
Indonesia Menggunakan Keras, 
Yogyakarta : Universitas Islam 
Indonesia. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
5882 Media Bina Ilmiah  ISSN No. 1978-3787 
  Open Journal Systems 
…………………………………………………………………………………………………….... 
Vol.15 No.12 Juli 2021  http://ejurnal.binawakya.or.id/index.php/MBI 
 
 
 
 
 
 
 
HALAMAN INI SENGAJA DIKOSONGKAN 


Not a member yet

1,018

1,035