JSI (Jurnal Sistem Informas.
Universitas Dirgantara Marsekal Suryadarma
p-ISSN: 2355-9675
e-ISSN: 2541-3228
KLASIFIKASI TINTA CATRIDGE BERDASARKAN WARNA
PADA GUDANG BARANG MENGGUNAKAN ALGORITMA
CONVOLUTIONAL NEURAL NETWORK
Aji Nurrohman 1,*.
Berliyanto2.
Leni Asrar3.
Sigit WIbisono4.
Wibisono5.
Suryadarma6.
Triyono Budi Santoso7 1,7Department of Electrical Engineering.
Department of Informatics Engineering.
Institut Teknologi Budi Utomo.
Indonesia ajinurrohman7@gmail.
Article Info Article history:
Kata Kunci:
Cartridge Convolutional neural netwok
Python
ABSTRAK
Penggunaan printer dan tinta cartridge untuk mencetak data dalam bentuk teks ataupun gambar masih sering digunakan.
Printer yang sering digunakan akan membuat tinta cartridge cepat habis, biasanya pengguna printer akan memesan kepada toko melalui aplikasi e-commerce.
Toko akan mengirimkan melalui gudang barang, namun seringkali terjadi kesalahan barang antara yang dipesan dan diterima user.
Hal ini dapat mempengaruhi kepuasan user, oleh karena itu penting bagi toko dalam melakukan cek manual terhadap barang yang yang akan dikirim.
Untuk mengatasi masalah tersebut, dibuatlah sebuah model machine learning menggunakan Python dan Convolutional neural network yang dapat mengklasifikasikan citra hasil tangkapan kamera ponsel fokus pada penelitian ini mengklasifikasikan citra tinta cartridge HP 680 black color dan tri color.
Dimulai dengan mengumpulkan dataset yang sudah ada berdasarkan pengalaman penulis yang pernah bekerja sebagai checker pada gudang barang.
Kemudian langkah preprocessing agar citra siap untuk diinputkan kedalam model, lalu membuat arsitektur model dan melakukan pelatihan.
Di akhir penelitian akan dilakukan evaluasi untuk melihat akurasi dari prediksi pada citra data test.
peneliti mentargetkan nilai akurasi yang ingin dicapai adalah 90%.
Dapat disimpulkan berdasarkan akurasi tersebut bahwa akurasi model yang didapat pada penelitian ini sudah sesuai target yang ingin dicapai.
Corresponding Author:
Aji Nurrohman.
Institut Teknologi Budi Utomo.
Email: * ajinurrohman7@gmail.
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
PENDAHULUAN
Penggunaan printer dan tinta cartridge untuk mencetak dokumen ditingkat pendidikan ataupun perkantoran masih banyak dilakukan.
Printer yang sering digunakan akan membuat tinta cartridge cepat habis, membuat tinta cartridge menjadi bagian paling penting dalam hal mencetak dokumen dalam bentuk fisik.
Hal ini membuat demand pembeli terhadap tinta cartridge masih tinggi, menyebabkan bisnis jual beli tinta cartridge masih banyak dilakukan (I.
Cholissodin and A.
Soebroto:2.
Dalam bisnis jual beli tinta cartridge, tinta biasanya disimpan pada gudang barang jadi sebelum dijual kepembeli.
Barang masuk kegudang akan dilakukan pengecekan jenis tinta secara manual oleh tim penerima barang untuk diletakan sesuai posisi agar mempermudah proses pengelolaan inventory, tujuannya agar pada saat barang keluar tim pic mudah dalam mengambil barang dan tidak terjadi kesalahan dalam menyiapkan barang keluar.
Pengecekan barang secara manual akan memakan banyak waktu jika barang masuk berjumlah besar, hal ini juga akan mempengaruhi tingkat akurasi dalam pengecekan barang.
Ketepatan serta konsistensi dalam proses pengecekan barang menjadi unsur penting dalam pengelolaan inventory (F.
Loekman :2.
Permasalahan akurasi, efisien dan konsistensi dalam pengecekan barang masuk jika dilakukan secara manual bisa diselesaikan dengan Deep Learning.
Deep Learning adalah salah satu cabang dari machine learning yang terdiri dari algoritma pemodelan abstraksi tingkat tinggi pada data menggunakan sekumpulan fungsi transformasi non-linear yang ditata berlapis-lapis dan mendalam.
Deep learning sangat baik untuk diterapkan dalam berbagai aplikasi seperti pengenalan citra, suara, klasifikasi teks, dan sebagainya (Cholissodin and A.
Soebroto: 2.
Pada bidang Deep Learning terdapat metode pengenalan citra digital yaitu Convolutional Neural Network (CNN), metode CNN ini telah digunakan untuk berbagai pengenalan citra digital (Awaludin & Rahwanto, 2.
Convolutional Neural Network adalah salah satu kelas yang ada didalam deep learning yang berfungsi untuk melakukan tugas pengenalan dan klasifikasi citra.
Diantaranya, untuk pengenalan terhadap data medis, pengenalan wajah dan pengenalan barang.
METODE
1 Jenis Penelitian Penelitian ini menggunakan jenis penelitian kuantitatif dikarenakan jumlah data yang besar dan menghasilkan nilai numerik berupa akurasi.
Pada penelitian ini data berupa citra digital yang berisikan informasi dalam bentuk matriks yang kemudian dilakukan perhitungan matematis, tujuan dari proses tersebut untuk mengklasifikasikan jenis tinta cartridge berdasarkan warna.
Jenis data pada penelitian ini adalah jenis data primer yang diambil menggunakan metode dokumentasi berdasarkan pengalaman penulis yang pernah bekerja sebagai checker barang keluar pada gudang barang jadi yang menjual tinta cartridge.
Mengumpulkan dataset adalah langkah penulis melakukan pengambilan Citra barang keluar yang di ambil menggunakan kamera ponsel berdasarkan pengalaman penulis bekerja di gudang barang jadi.
Dataset yang dikumpulkan berupa citra tinta cartridge HP 680 black color dan tri color.
Pada penelitian ini terbagi menjadi 2 percobaan, percobaan A menggunakan 500 citra HP 680 black color dan 500 citra HP 680 tri color, percobaan B menggunakan 600 citra HP 680 black color dan 600 citra HP 680 tri color.
Pada metode penelitian ini peneliti menjabarkan dalam dua bentuk yaitu diagram dan tabel, diagram untuk memvisualisasikan setiap langkah yang dilakukan dan tabel untuk penjelasan yang lebih detail.
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
2 Metode Penelitian Mengumpulkan Dataset Memangkas Citra Input layer Convolutional Layer Mengelompokan Citra Mengubah Ukuran Citra Melabelkan Citra Pooling layer Preprocessing Flatten layer Pengembangan Model Fully Connected Layer Memisahkan Citra Loss function Augmentasi Citra dan Normalisasi Optimizer Confusion matrix Pelatihan Model Evaluasi Classification Gambar 1 Diagram Metode Penelitian Tabel 1 Metode Penelitian Langkah Penelitian Metode/Proses Input Output Mengumpulkan Dataset Dokumentasi Citra yang berjenis tinta cartridge HP 680 black dan 680 tri color Memangkas Citra Manual Cropping Citra barang keluar yang di ambil menggunakan kamera ponsel berdasarkan pengalaman penulis bekerja di gudang barang jadi Citra yang berjenis tinta cartridge HP 680 black dan 680 tri color Mengelompokan Citra Manual Classification Citra tinta cartridge 680 black dan 680 tri color yang sudah Citra tinta cartridge 680 black dan 680 tri color yang sudah dipangkas jadi per Citra tinta cartridge yang sudah di ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE) Mengubah Ukuran Citra Mass Resizing.
Coding Melabelkan citra Folder-based Labeling Memisahkan Citra Random Splitting Augmentasi Citra Normalisasi Rotation.
Width Shift.
Height Shift.
Shear.
Fill Rescale Memodelkan Arsitektur Pelatihan Model Evaluasi Input layer.
Convolutional layer.
Activation function.
Pooling layer.
Flatten layer.
Fully connected layer.
Optimizer.
Loss Fitting.
Epoch Training Validation Metrics Plotting.
Confusion Classification report.
Accuracy Evaluation dipangkas jadi per Citra tinta cartridge yang sudah di Citra tinta cartridge yang sudah dirubah Citra tinta cartridge yang sudah dilabelkan berdasarkan folder Citra tinta cartridge yang sudah di bagi secara random kelompokan kedalam Citra tinta cartridge yang sudah dirubah Citra tinta cartridge yang sudah dilabelkan berdasarkan folder Citra tinta cartridge yang sudah di bagi secara random Citra tinta cartridge yang bervariasi dari citra aslinya Citra tinta cartridge yang bervariasi dari citra aslinya Konfigurasi arsitektur Citra tinta cartridge yang sudah dirubah menjadi numerik Model yang sudah Citra tinta cartridge yang sudah dirubah menjadi numerik dan Model yang sudah Model yang sudah Model yang sudah di Akurasi dan kesalahan untuk setiap label Tabel 1 diatas adalah diagram alur yang digunakan dalam penelitian ini untuk menjawab pertanyaan penelitian yang ada, langkah utama pada kerangka penelitian dibagi jadi setiap langkah-langkah kecil.
Pada tabel 3.
1 diatas adalah penjelasan mendetail dari langkah penelitian yang dilakukan, terdapat input dan output dari setiap langkah.
3 Metode Pengumpulan Data Metode pengumpulan data pada penelitian ini adalah metode dokumentasi berdasarkan pengalaman penulis yang pernah bekerja sebagai checker pada gudang barang jadi yang menjual tinta cartridge, data yang tercapture dan terkumpul pada ponsel penulis sebagai bukti untuk barang tersebut sesuai dengan barang yang dikirim.
Data dokumentasi ini bukan berupa asset perusahaan yang berharga dikarenakan data citra digital tinta cartridge ini bisa didapatkan di internet.
Data yang digunakan pada penelitian ini terbagi dua yaitu sejumlah 600 citra black color dan 600 citra tri color.
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
HASIL DAN PEMBAHASAN
1 Hasil Pengumpulan Dataset Dataset pada penelitian ini adalah citra tinta cartridge HP 680 black color dan tri color, dataset citra dikumpulkan dengan cara memotret dengan kamera ponsel.
Citra dikumpulkan berdasarkan pengalaman penulis yang pernah bekerja sebagai checker barang keluar disebuah gudang yang menjual tinta cartridge HP 680 black color dan tri color.
Gambar 2 Hasil Tangkapan Citra Pada gambar 2 diatas adalah hasil tangkapan citra barang keluar menggunakan ponsel.
dalam satu citra bisa terdapat dua jenis black color dan tri color atau jumlah kuantitas yang lebih dari satu, maka dari itu penulis melakukan pemangkasan citra.
Jumlah dataset yang akan digunakan pada penelitian ini adalah :
Percobaan A : 500 black color dan 500 tri color Percobaan B : 600 black color dan 600 tri color Perbedaan jumlah ini dikarenakan saran dari pembimbing skripsi agar ditambahkan jumlah datasetnya, dengan menggunakan Convolutional Neural Network , semakin banyak dataset yang gunakan untuk pelatihan machine learning maka semakin akurat pada hasil machine learning.
semakin banyak dataset dan bervariasi maka komputer akan semakin banyak mengenal berbagai bentuk citra pixel yang bisa diprediksi nantinya.
2 Hasil Preprocessing Preprocessing adalah pemrosesan data yakni gambar asli dini pada data sebelum diproses oleh Algoritma Convolutional Neural Network (E.
Hermawan: 2.
Tujuan dari preprocessing adalah agar menghasilkan citra dengan kualitas yang lebih baik untuk proses berikutnya (A.
Antoni.
Rohana, and A.
Pratama : 2.
Preprocessing dilakukan kepada keseluruhan citra yang terdapat di dataset, preprocessing bertujuan untuk mengeneralisirkan citra yang bentuknya berbagai macam agar selaras dan bisa diinputkan kedalam model untuk dilakukan pelatihan.
Metode yang digunakan yaitu memangkas citra, mengelompokan citra, mengubah ukuran citra, melabelkan citra, memisahkan citra, augmentasi citra dan normalisasi.
1 Memangkas Citra Pemangkasan citra dilakukan karena hasil citra yang diambil menggunakan ponsel masih tergabung antara black color dan tri color dalam satu citra serta jumlah kuantitas dari setiap jenis pada citra lebih dari satu, pemangkasan ini dilakukan agar dalam satu citra terdapat satu jenis dan satu kuantitas tinta cartridge HP 680.
Pada langkah ini menggunakan tools yang terdapat di windows 10 yaitu snipping tools berguna untuk memangkas citra.
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Gambar 3 Citra Sebelum Dipangkas Gambar 4 Citra Sesudah Dipangkas Pada gambar 3 diatas adalah hasil tangkapan citra menggunakan kamera ponsel yang belum dipangkas, pada gambar 4 adalah hasil dari langkah pemangkasan citra.
Pada langkah ini penulis menggunakan metode manual cropping yaitu melakukan pemangkasan pada semua citra dengan satu persatu menggunakan snipping tools.
2 Mengelompokan Citra Pada langkah ini citra yang sudah dipangkas dikelompokan ke dalam direktori sesuai dari jenis pada citranya, mengelompokan citra bertujuan untuk mempermudah penulis dalam melakukan proses coding.
Gambar 5 Hasil Pengelompokan Citra Black Color
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Gambar 6 Hasil Pengelompokan Citra Tri Color Pada gambar 5 dan gambar 6 adalah hasil pada langkah pengelompokan citra, terdapat dua direktori yaitu black dan tri_color.
Pada langkah ini penulis menggunakan metode manual classification yaitu melihat satu persatu dari citra yang sudah dipangkas lalu mengelompokan sesuai jenisnya.
3 Mengubah Ukuran Citra Pada langkah ini penulis mengubah ukuran citra untuk menselaraskan ukuran panjang dan lebar dari keseluruan citra, mengubah ukuran citra dikarenakan hasil dari pemangkasan pada langkah sebelumnya tidak selaras ukuran dari keseluruhan citra.
Penulis mengubah ukuran citra dilakukan dengan dua cara yaitu pada percobaan A menggunakan bahasa pemrograman python karena dirubah dilevel code dan pada percobaan B menggunakan tools powertoys yang terdapat di windows 10.
height=250 width=250 batch_size=60 img_shape=.
eight, width, channel.
img_size=.
eight, widt.
Gambar 7 Mengubah Ukuran Citra Percobaan B Pada gambar 7 adalah langkah mengubah ukuran citra pada percobaan A dilevel code, terdapat keseluruhan citra diubah menjadi 250 x 250 pixel.
Pada gambar 4.
7 adalah langkah mengubah ukuran citra pada percobaan B menggunakan tools powertoys yang terdapat fitur image resizernya, terdapat keseluruhan citra diubah menjadi 512 x 512 Perbedaan ukuran dari setiap percobaan ini dikarenakan saran pembimbing skripsi untuk mengubah ukuran pada percobaan B menjadi 512 x 512 pixel berdasarkan ukuran dataset citra di komunitas kaggle yang banyak digunakan.
berdasarkan sumber argument paper berikut menjelaskan resolusi 512 pixel lebih baik dari 256 pixel, https://w.
com/competitions/google-research-identify-contrails-reduce-globalwarming/discussion/430471 .
iakses, 31 Juli 2.
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
3 Pelatihan Model Pada langkah ini penulis melakukan pelatihan pada model yang sudah dibuat arsitektur pada langkah sebelumnya dengan citra hasil preprocessing.
epochs=50 history=model.
=train_gen, epochs=epochs, validation_data=valid_ge.
adalah code untuk melakukan pelatihan model dengan memanggil model.
= train_gen, epochs = epochs, validation_data = valid_ge.
, pada code tersebut terdapat parameter x = train_gen berfungsi untuk memasukan input citra hasil preprocessing, parameter epochs berfungsi untuk mengkonfigurasi berapa banyak iterasi yang akan dilakukan selama pelatihan, dan parameter validation_data berfungsi untuk memasukan input citra validation.
Gambar 8 Hasil Pelatihan Model Pada gambar 8 adalah hasil dari pelatihan model yaitu model akan melakukan pelatihan dan mengembalikan output nilai accuracy serta loss pada pelatihan dan validasi disetiap iterasinya.
4 Evaluasi Pada langkah ini penulis melakukan ujian pada hasil model yang sudah dilatih di langkah sebelumnya, model akan diuji menggunakan citra yang belum pernah dilihat atau dipelajari model selama pelatihan yaitu data test.
Pada langkah ini juga penulis melakukan evaluasi dari hasil pelatihan dan ujian.
tr_plot.
save_dir=r'.
subject='tinta' acc=model.
evaluate( test_gen, batch_size=test_batch_size, verbose=1, steps=test_steps, return_dict=Fals.
*100 msg=f'accuracy on the test set is .
cc:5.
%' print_in_color.
sg, .
,255,.
,65,.
) save_id=str .
odel_name '-' subject '-' str.
[:str.
rfind('.
') .
save_loc=os.
ave_dir, save_i.
adalah code untuk memanggil function tr_plot yang berfungsi untuk menampilkan visualisasi data dari hasil pelatihan setiap epochsnya.
Pada code tersebut juga memanggil model.
berfungsi untuk melakukan evaluasi dari hasil ujian.
Gambar 9 Hasil Evaluasi Pelatihan dan Validasi Percobaan A ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE) Pada gambar 9 adalah hasil visualisasi data accuracy dan loss pada saat pelatihan dan validasi dipercobaan A, terlihat untuk accucary dan loss pada pelatihan cukup baik tidak terjadi perbedaan yang signifikan pada setiap epochsnya.
Pada accuracy dan loss pada validasi disetiap epochsnya terlalu banyak perbedaan yang signifikan.
Gambar 10 Hasil Evaluasi Pelatihan dan Validasi Percobaan B Pada gambar 10 adalah hasil visualisasi data accuracy dan loss pada saat pelatihan dan validasi dipercobaan B, terlihat untuk accucary dan loss pada pelatihan cukup baik tidak terjadi perbedaan yang signifikan pada setiap epochsnya.
Pada accuracy dan loss pada validasi disetiap epochsnya tidak terlalu banyak perbedaan yang signifikan walaupun hasil lossnya tetap turun dan hasil accuracynya tetap naik.
Gambar 11 Hasil Evaluasi Ujian Percobaan A Gambar 12 Hasil Evaluasi Ujian Percobaan B 5 Analisis Hasil Dari pembahasan dan hasil diatas terdapat perbedaan jumlah dataset, jumlah batch size, ukuran citra dan arsitektur model yang bisa dilihat pada table 2.
Tabel 2 Analisis Perbedaan Perbedaan Jumlah Dataset Jumlah Batch Ukuran Citra Arsitektur Model Percobaan A 500 citra black color dan 500 citra tri color Batch_size = 60 Percobaan B 600 citra black color dan 600 citra tri color Batch_size = 24 250 x 250 pixel Tidak menggunakan metode Dropout 512 x 512 pixel Menggunakan metode Dropout Pada tabel 2 terdapat beberapa perbadaan pada setiap percobaan jumlah dataset yang berfungsi sebagai input citra untuk melatih model, jumlah batch size pada percobaan B turun menjadi 24 karena ukuran citra pixel yang besar menjadikan perangkat keras yang digunakan penulis belum mampu untuk menggunakan batch size seperti dipercobaan A, ukuran citra yang berubah sesuai saran dari dosen pembimbing, dan penambahan metode dropout pada percobaan B untuk mengurangi overfitting.
Berdasarkan hasil dan perbedaan diatas accuracy terbaik didapat oleh model percobaan B dengan accuracy 96.
67% sedangkan percobaan A dengan accuracy 96.
berdasarkan hasil penelitian relevan terdahulu nilai tersebut baik dalam klasifikasi citra.
Peneliti mentargetkan akurasi yang ingin dicapai 90% keatas sesuai hasil penelitian terdahulu untuk mengklasifikasikan barang yang rata-rata masih diantara 80% sampai 95%.
KESIMPULAN
Penelitian yang dilakukan dapat disimpulkan, bahwa dataset yang digunakan untuk mengembangkan model Deep Learning klasifikasi tinta cartridge adalah citra tinta cartridge merk HP 680 black color dan HP 680 tri color.
Citra dikumpulkan dengan cara memotret barang dengan kamera ponsel, dataset dari penelitian ini dapat diakses secara public diplatform github.
Pada penelitian ini terdapat dua dataset, yaitu percobaan A dengan dataset berjumlah 500 black color dan 500 tri color, sedangkan percobaan B dataset berjumlah 600 black color dan 600 tri color.
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Dalam mengembangkan model Convolutional Neural Network yang sesuai untuk klasifikasi citra tinta cartridge berdasarkan penelitian ini, yaitu preprocessing, memodelkan arsitektur, pelatihan model dan evaluasi.
Pada langkah preprocessing dilakukan dengan cara memangkas citra, mengelompokan citra, mengubah ukuran citra, melabelkan citra, memisahkan citra, augmentasi citra dan normalisasi.
Pada langkah memodelkan arsitektur, arsitektur model yang digunakan, yaitu input layer, convolutional layer, pooling layer, dropout, flatten layer, fully connected layer, loss function dan optimizer.
Pada langkah pelatihan model, hasil arsitektur model yang sudah dibuat akan dilatih dengan citra hasil preprocessing, pada percobaan A dan percobaan B pelatihan dilakukan sebanyak 50 kali.
Sedangkan langkah evaluasi dilakukan dengan melihat hasil akurasi model dalam memprediksi data test menggunakan confusion matrix dan classification Hasil akurasi pada penelitian ini terbagi menjadi dua berdasarkan percobaan A dan percobaan B.
terdapat beberapa perbedaan pada setiap percobaan jumlah dataset yang berfungsi sebagai input citra untuk melatih model, jumlah batch size pada percobaan B turun menjadi 24 karena ukuran citra pixel yang besar menjadikan perangkat keras yang digunakan penulis belum mampu untuk menggunakan batch size seperti dipercobaan A, ukuran citra yang berubah sesuai saran dari dosen pembimbing, dan penambahan metode dropout pada percobaan B untuk mengurangi overfitting.
Berdasarkan hasil dan perbedaan diatas akurasi terbaik didapat oleh model percobaan B dengan akurasi 96.
67% sedangkan percobaan A dengan akurasi 96.
00%, berdasarkan penelitian relevan terdahulu peneliti mentargetkan nilai akurasi yang ingin dicapai adalah 90%.
Dapat disimpulkan berdasarkan akurasi tersebut bahwa akurasi model yang didapat pada penelitian ini sudah sesuai target yang ingin dicapai.
DAFTAR PUSTAKA